BookWyrm v0.7.5版本发布:社交阅读平台的重大更新
BookWyrm是一个去中心化的社交阅读平台,它结合了图书目录、阅读追踪和社交网络的功能。与传统的图书社交平台不同,BookWyrm采用联邦式架构,允许不同实例之间的互操作性,同时保护用户隐私和数据主权。
核心功能改进
用户数据导入导出优化
开发团队对用户数据的导入导出功能进行了多项改进。现在系统能够更好地处理大型数据集的导出,避免了超时问题。对于从Goodreads等平台导入的数据,系统现在能够正确保留原始平台的关键标识符,确保数据迁移的完整性。
阅读进度追踪修复
修复了阅读进度中开始日期(start_date)相关的bug,现在用户可以更准确地记录和追踪自己的阅读历程。这一改进特别适合那些喜欢详细记录阅读习惯的用户。
搜索功能增强
搜索功能现在会自动修剪输入中的多余空格,提高了搜索的准确性和用户体验。同时,搜索结果中现在会显示作者的出生和去世年份,帮助用户更快速地识别正确的作者。
技术架构升级
依赖项更新
项目升级了多个关键依赖项,包括将aiohttp从3.10.2升级到3.10.11,Django从4.2.18升级到4.2.20。这些更新带来了性能改进和安全修复。
测试环境优化
测试环境中现在使用内存中的Celery后端,这显著提高了测试速度,使开发人员能够更快速地进行迭代和验证。
静态资源处理
修复了在使用S3存储时CSS路径前缀的问题,并添加了STATIC_ROOT到环境变量示例文件中,解决了CSS加载的相关问题。
数据连接器扩展
新增Finna API连接器
v0.7.5版本引入了对芬兰国家图书馆Finna API的支持,为用户提供了又一个高质量的书目数据来源。
Openreads导入器
新增了Openreads导入器,为用户提供了更多从其他平台迁移数据的选项。
安全与隐私增强
图片处理改进
所有处理封面图片上传的功能现在都会自动去除EXIF数据,保护用户隐私。同时,系统不再使用已弃用的imghdr模块,转而使用Pillow库的Image.format方法进行图片格式识别。
远程关注验证
改进了远程关注功能的用户名验证,使其完全符合RFC 7565标准,提高了系统的互操作性和安全性。
社交功能改进
RSS订阅支持
用户现在可以为自己的书架生成RSS订阅,方便在其他阅读器中跟踪更新。
列表访问权限
移除了查看公开书单的登录要求,使内容更容易被发现和分享。
管理功能增强
连接器管理界面
管理员现在可以直接通过Web界面管理数据连接器,包括调整优先级等设置。非BookWyrm连接器现在默认具有较低的优先级。
重复数据处理
改进了对重复作者记录的处理逻辑,减少了数据冗余。
国际化支持
更新了本地化文件,并简化了开发环境中加载本地化资源的命令,使多语言支持更加便捷。
BookWyrm v0.7.5版本的这些改进和新增功能,进一步巩固了其作为开源、去中心化社交阅读平台的地位,为用户提供了更丰富、更安全的阅读社交体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00