Classiq量子计算平台0.65.1版本发布:优化量子变量命名与执行性能
项目简介
Classiq是一款领先的量子计算开发平台,它通过高级抽象简化了量子算法的设计与实现过程。该平台包含Python SDK和集成开发环境(IDE),支持从高级建模到实际量子硬件执行的完整工作流。
版本核心更新
1. 量子变量自动命名机制
在0.65.1版本中,Classiq对量子变量的创建方式进行了重要改进。现在,当开发者创建本地量子变量时,不再需要显式指定变量名称参数。系统会自动从Python代码上下文中推断出合适的变量名。
技术实现解析:
- 传统方式:
q = QBit("q") - 新方式:
q = QBit()
这一改进显著减少了样板代码,使量子程序编写更加直观。在底层实现上,Classiq通过Python的抽象语法树(AST)分析来捕获变量名,保持了与经典Python编程体验的一致性。
2. 执行性能优化
该版本特别优化了在单个ExecutionSession中执行多个原语操作的性能表现。这一改进对于以下场景尤为有益:
- 量子近似优化算法(QAOA)的多轮执行
- 需要连续执行多个量子原语的复杂算法
- 参数化量子电路的批量评估
性能提升主要来自于会话内部的状态管理和资源调度的优化,减少了重复初始化和中间转换的开销。
重要变更与迁移指南
整数准备函数的废弃
Classiq 0.65.1版本正式将prepare_int和inplace_prepare_int函数标记为废弃状态。这是平台向更统一、更Pythonic的语法风格演进的一部分。
迁移建议:
- 旧代码:
prepare_int(5, my_qnum) - 新代码:
my_qnum |= 5
新的数值赋值语法不仅更简洁,而且与Python的运算符重载机制保持一致,提高了代码的可读性和一致性。这种赋值操作在量子计算中实际上实现的是将经典数值编码到量子寄存器中的状态准备过程。
技术影响与最佳实践
-
变量命名策略:
- 对于简单场景,推荐使用自动命名
- 复杂场景或需要明确语义时,仍可显式指定名称
- 注意避免在循环或函数中重复使用相同变量名导致的混淆
-
性能敏感型应用:
- 将相关量子操作组织在同一个
ExecutionSession中 - 考虑使用批处理方式执行参数化电路
- 对于QAOA等算法,利用优化后的多原语执行能力
- 将相关量子操作组织在同一个
-
代码现代化改造:
- 逐步替换所有
prepare_int调用 - 熟悉新的数值赋值语义,特别是其量子态准备的含义
- 注意赋值操作在不同量子变量类型上的行为差异
- 逐步替换所有
总结
Classiq 0.65.1版本通过语法简化和性能优化,进一步提升了量子编程的开发体验。自动变量命名减少了样板代码,执行引擎的改进则提升了算法开发效率。同时,平台持续演进其API设计,引导开发者采用更现代、更一致的编程模式。这些变化体现了Classiq在保持强大量子计算能力的同时,不断优化开发者体验的设计理念。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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-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
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