glTFast 6.9.0版本发布:Unity高效glTF加载方案重大更新
glTFast是Unity平台上广受欢迎的glTF格式加载解决方案,它能够高效地将glTF/GLB格式的3D模型资源导入Unity项目。作为专注于性能优化的轻量级工具,glTFast特别适合需要快速加载3D内容的移动端和WebGL项目。本次发布的6.9.0版本带来了多项重要改进和修复,进一步提升了工具的稳定性和功能性。
核心架构调整
本次更新最显著的变化是glTFast项目结构的重大调整。开发团队决定将OpenUPM上发布的版本转变为Unity官方分支的同步版本。这意味着OpenUPM版本将不再包含完整的开发工具链和测试套件,开发者如果需要完整开发环境,应该直接使用Unity的官方分支。
在技术实现层面,6.9.0版本移除了对KtxUnity的依赖,转而采用Unity官方维护的KTX for Unity解决方案。这一变化确保了纹理压缩格式支持与Unity引擎的更深度集成,为开发者提供了更稳定的KTX纹理支持。
关键功能改进
新版本引入了全面的包一致性测试机制,确保包版本信息在导出生成器字符串和文档中保持一致。这种自动化验证机制大大降低了版本管理出错的可能性。
针对Android平台的兼容性进行了重点优化。修复了从StreamingAssets加载含有Unicode字符的相对URI路径的问题,现在UriHelper能够正确处理Android特有的jar:file://协议URI。同时改进了测试用例,使用UnityWebRequest从压缩的JAR文件中获取测试数据,确保了Android平台测试的可靠性。
在导出功能方面,修复了纹理变换的导出问题,特别是当glTFast材质上的纹理仅进行垂直缩放时丢失变换信息的情况。同时优化了输出流的分配策略,避免了潜在的数据丢失风险。
代码质量提升
开发团队对代码库进行了全面的质量改进:
- 重构了哈希码计算逻辑,确保只使用不可变字段进行计算,消除了潜在的不一致风险
- 移除了TextureBase中过时的GetHashCode/Equals实现,改用专门的TextureComparer
- 引入MeshPrimitiveComparer替代原有的哈希计算方式,提高了网格图元聚类的准确性
- 增加了全面的空值检查和浮点数精度比较,提升了代码的健壮性
文档与示例优化
新版本对文档和示例代码进行了系统性的整理:
- 将文档引用的代码示例统一移至DocExamples文件夹
- 规范了示例代码的命名空间为GLTFast.Documentation.Examples
- 更新了最低Unity版本要求说明,明确需要2020.3.48f1或更高版本
- 根据用户反馈完善了多处文档内容,提高了文档的准确性和易读性
测试与验证增强
测试套件得到了显著改进:
- 改进了异步测试的错误报告机制,现在会抛出最内层异常同时保留堆栈信息
- 导出渲染测试在没有验证结果时会明确标记为"不确定"
- 移除了过时的代码覆盖率徽章,保持项目信息的准确性
glTFast 6.9.0版本的这些改进,使得这个已经相当成熟的glTF加载解决方案在稳定性、兼容性和易用性方面都达到了新的高度,为Unity开发者处理3D内容提供了更加可靠的保障。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00