Django-Components 0.125版本发布:模板标签系统全面升级
Django-Components是一个用于构建可复用UI组件的Django扩展库,它允许开发者将前端模板、CSS和JavaScript打包成独立的组件,从而提高代码的可维护性和复用性。最新发布的0.125版本带来了模板标签系统的重大改进,为开发者提供了更强大、更灵活的模板标签定义和使用方式。
模板标签系统的全面革新
0.125版本引入了全新的@template_tag装饰器和BaseNode基类,让开发者能够创建功能丰富的自定义模板标签。这些新特性使得自定义模板标签能够拥有与内置标签相同的强大功能。
新特性亮点
-
灵活的输入参数处理:支持位置参数(args)、关键字参数(kwargs)和标志(flags)的混合使用,使模板标签的参数传递更加灵活。
-
复杂数据结构支持:现在可以直接在模板标签中使用列表和字典作为输入参数,例如:
{% my_tag items=[1, 2, 3] config={"mode": "dark", "size": "large"} / %} -
嵌套模板标签支持:模板标签的参数可以接受其他模板标签的输出作为输入:
{% my_tag content="{% lorem 3 w %}" / %} -
简化的字典语法:支持更简洁的字典定义方式:
{% my_tag attr:class="btn" attr:data-id=123 / %} -
参数展开操作:可以使用
...语法展开参数:{% my_tag ...args ...kwargs / %} -
灵活的调用方式:支持两种调用形式:
{% my_tag %}内容{% endmy_tag %}或自闭合形式:
{% my_tag / %}
输入验证机制的改进
0.125版本重构了模板标签的输入验证机制,使其行为更接近Python函数的参数验证。例如,当重复提供同一个参数时,系统会抛出错误:
{% slot "my_slot" name="content" / %} <!-- 错误:name参数被提供了两次 -->
需要注意的是,对于特殊的关键字参数(如包含连字符的参数名),验证规则有所不同。例如,以下写法仍然有效:
{% component data-id=123 / %}
对应的Python代码需要能够处理这种特殊命名的参数:
def get_context_data(self, **kwargs):
return {
"data_id": kwargs["data-id"],
}
迁移注意事项
0.125版本完成了从EmilStenstrom/django-components到django-components/django-components的仓库迁移。虽然包名保持不变,但开发者需要注意:
- 文档URL已变更,需要更新书签和参考资料
- 如果发现任何问题,建议及时报告
总结
Django-Components 0.125版本的发布标志着其模板标签系统的一次重大升级。新引入的@template_tag装饰器和BaseNode基类为开发者提供了更强大、更灵活的工具来创建自定义模板标签,同时改进的输入验证机制使得模板代码更加健壮。这些改进将显著提升Django模板的开发体验和代码质量,特别是在构建复杂UI组件时。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00