SurveyJS 2.1.0版本发布:增强表单构建能力与无障碍支持
SurveyJS是一个强大的开源JavaScript库,专门用于构建和部署在线调查问卷、表单和测验。它提供了丰富的组件和高度可定制的特性,使开发者能够轻松创建复杂的表单系统。最新发布的2.1.0版本带来了一系列重要的功能增强和问题修复,特别是在无障碍访问(A11Y)支持和表单功能完善方面。
核心功能增强
矩阵问题的单选组支持
2.1.0版本为矩阵下拉问题(matrixdropdown)新增了对radiogroup单元格类型的支持。这一改进使得在矩阵结构中实现单选功能变得更加直观和便捷。开发者现在可以在矩阵的每个单元格中使用单选按钮组,这在需要用户对多个项目进行单一选择的场景中特别有用,比如满意度调查或评分系统。
滑块(Range)问题类型
本次更新引入了一个全新的Slider(Range)问题类型,为用户提供了更直观的数值输入方式。滑块控件特别适合需要用户在一个连续范围内选择数值的场景,如满意度评分、优先级评估等。该组件支持自定义最小值、最大值和步长,并且可以配置为显示当前值或范围选择。
自动完成功能的无障碍优化
在无障碍访问方面,2.1.0版本对自动完成功能进行了专门优化。现在,当用户在输入框中输入内容时,系统会提供更友好的屏幕阅读器支持,确保视障用户能够清晰地了解可用的自动完成选项。这一改进包括更完善的ARIA属性设置和键盘导航支持。
问题修复与稳定性提升
矩阵列必填状态修复
修复了一个关于矩阵列必填状态的问题。在某些情况下,即使取消了矩阵列的isRequired属性,该列仍然保持必填状态。2.1.0版本彻底解决了这一问题,确保必填状态的变更能够正确反映在表单行为中。
日期模式掩码输入修复
针对iOS Safari浏览器上的日期输入问题进行了修复。当使用特定的"yyyy-mm-dd"掩码模式时,某些情况下用户无法正确输入日期值。新版本优化了日期输入处理逻辑,确保在所有主流浏览器上都能正常工作。
复合问题中的"其他"选项值处理
修复了当Checkbox问题位于复合问题内部时,"其他"选项值处理不正确的问题。特别是当survey.storeOthersAsComment设置为true时,系统现在能够正确保存"其他"选项的值,而不是将其置空。
开发者体验改进
新增currentElementName属性
2.1.0版本为Survey对象新增了currentElementName属性,开发者可以通过这个属性轻松获取当前活动元素的名称。这一改进简化了复杂表单中的元素跟踪和状态管理。
表达式处理优化
对setValueExpression方法进行了优化,确保在矩阵和动态面板中使用时能够正确工作。修复了在某些情况下表达式计算不准确的问题,提高了表单逻辑的可靠性。
移动设备检测改进
改进了isMobile标志的传播机制,确保复合问题和自定义问题中的内部问题也能正确获取移动设备状态。这一改进使得响应式设计在复杂表单结构中能够更准确地工作。
国际化与文档完善
特定语言本地化修正
修复了特定语言本地化中的一个拼写错误,确保语言代码符合标准规范。这一改进虽然微小,但对于需要精确语言支持的国际化应用非常重要。
文档注释改进
对库中的文档注释进行了多处修正和完善,使API文档更加准确和易于理解。开发者现在能够获得更清晰的代码提示和文档说明,提高开发效率。
SurveyJS 2.1.0版本的这些改进和修复,进一步巩固了它作为专业表单构建工具的地位。无论是简单的调查问卷还是复杂的企业级表单应用,新版本都提供了更强大、更可靠的功能支持,特别是在无障碍访问和移动设备兼容性方面有了显著提升。
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