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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-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