Harper 0.26.0版本发布:拼写检查工具的全面升级
Harper是一款开源的拼写检查工具,它能够帮助开发者在代码、文档和其他文本内容中快速发现并修正拼写错误。作为一个轻量级但功能强大的工具,Harper支持多种编程语言和文本格式,并且可以集成到各种开发环境中使用。
核心功能改进
最新发布的0.26.0版本带来了多项重要改进。首先是对用户词典处理的优化,现在可以正确处理包含空行和注释的dictionary.dict文件。这一改进使得维护自定义词典变得更加灵活和方便。开发者可以在词典文件中添加注释说明特定词汇的用途或来源,同时使用空行来组织词汇分类,大大提高了词典的可维护性。
另一个值得注意的功能是新增了对"spellchecker:ignore"注释的支持。当Harper遇到以这个特殊注释开头的行时,会自动忽略该行的拼写检查。这对于需要临时禁用某些行的检查或者包含特殊术语的情况非常有用。
新增拼写检查规则
0.26.0版本引入了多个新的拼写检查规则,进一步提升了工具的准确性:
- 新增了对"as far back as"短语的检查,会自动建议替换错误的"as early back as"用法
- 增加了对"explanation mark/point"的检查,会建议使用正确的"exclamation"术语
- 修正了"in anyway"到"in any way"的自动建议
- 新增了对"each and everyone"错误用法的检查
- 扩展了"get rid off"的检查范围,现在也能捕获"get ride of"这类错误
这些新增规则基于常见的拼写错误模式,能够有效提高文本的准确性。
性能与稳定性提升
在底层架构方面,0.26.0版本也做出了重要改进。PatternLinter缓存现在能够正确存储spans,解决了之前版本中可能出现的一些边界情况问题。同时,断言机制得到了增强,现在可以处理重叠的建议,这为更复杂的拼写检查场景提供了支持。
对于AvoidContraction规则的模糊性也进行了优化,减少了误报的情况。这些底层改进虽然对终端用户不可见,但显著提升了工具的稳定性和准确性。
开发者体验优化
针对开发者体验,新版本也做出了多项改进:
- 命令行工具的
just addnoun命令现在会自动插入新行,简化了词典维护工作 - 增加了对shebang行的自动忽略,避免在脚本文件开头产生不必要的警告
- 改进了对非存在.git文件的处理,增强了健壮性
- 现在支持VS Code中的untitled/unsaved文件检查
这些改进使得开发者在使用Harper时能够获得更流畅的体验。
跨平台支持
Harper 0.26.0继续保持了优秀的跨平台支持,提供了针对多种操作系统和架构的预编译二进制包,包括:
- macOS (ARM64和x86_64)
- Linux (多种发行版和架构)
- Windows
语言服务器协议(LS)的实现也得到了更新,确保在各种IDE和编辑器中的稳定运行。
总结
Harper 0.26.0版本在功能、性能和用户体验方面都做出了显著改进。新增的拼写检查规则和词典处理优化使得它能够捕获更多类型的错误,同时保持较低的误报率。底层架构的改进则为未来的功能扩展奠定了更坚实的基础。
对于已经在使用Harper的团队,升级到0.26.0版本将获得更准确和可靠的拼写检查体验。对于新用户,这个版本也提供了更完善的功能和更友好的使用方式,是开始使用Harper的好时机。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07