Xan项目v0.47.0版本发布:Moonblade表达式引擎全面升级
Xan是一个功能强大的数据处理工具集,最新发布的v0.47.0版本对其核心组件Moonblade表达式引擎进行了多项重要改进。Moonblade作为Xan项目中的表达式处理引擎,承担着数据转换、处理和计算的核心功能,类似于传统ETL工具中的表达式处理器,但更加轻量和灵活。
日期时区处理重构
本次版本最显著的变更是对日期时间处理功能的重新设计。旧版本中,strftime()、ymd()等日期格式化函数直接支持时区参数,这种方式虽然直观但存在实现复杂性和性能问题。新版本采用了更加清晰的分离设计:
- 移除了日期函数中的时区参数支持
- 新增
to_timezone和to_local_timezone两个专用函数 - 使用时区转换更加明确和高效
这种改进使得日期处理逻辑更加清晰,同时也提升了性能。开发者现在需要先使用时区转换函数,再调用格式化函数,虽然多了一步操作,但代码意图更加明确。
Moonblade表达式语法增强
新版本对Moonblade表达式语法进行了多项实用改进:
多行表达式支持:现在可以在表达式中使用换行符作为空白符,使得复杂表达式可以分多行编写,大大提高了可读性。
注释支持:新增了以#开头的单行注释功能,便于在复杂表达式中添加说明。
错误处理增强:新增try函数,提供了更优雅的错误处理机制,可以捕获并处理表达式执行过程中的异常。
类型转换函数:新增int和float函数,提供了更直观的类型转换方式。
新增实用功能
URL处理:新增lru(解析URL)和urljoin(拼接URL)函数,简化了常见的URL操作。
HTML处理:新增html_unescape函数,用于反转HTML实体编码。
数据抓取工具:新增xan scrape命令及其帮助子系统xan help scraping,扩展了Xan的数据采集能力。
性能优化与问题修复
内存优化:显著降低了Moonblade相关命令的内存消耗,提升了处理大规模数据时的稳定性。
问题修复:
- 修复了
xan flatten -w命令在处理换行符时的问题 - 修复了下划线扩展在map和list表达式中的行为
- 改进了
xan to md命令对表格单元格内容的转义处理
使用建议
对于现有项目升级,开发者需要特别注意日期时区处理的变更,这是不兼容的修改。建议先在小范围测试日期相关功能,确认无误后再全面升级。
新增的多行表达式和注释功能特别适合复杂的数据转换场景,可以显著提高代码可维护性。而新的错误处理机制try函数则为生产环境提供了更健壮的错误恢复能力。
总体而言,v0.47.0版本使Xan工具集在表达能力、稳定性和功能性上都迈上了一个新台阶,特别是对需要处理复杂数据转换和Web数据的用户来说,这个版本带来了诸多实用改进。
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