LANraragi 0.9.4版本发布:漫画管理工具的重大更新
项目简介
LANraragi是一款开源的漫画和图像存档管理工具,它允许用户轻松地组织、浏览和阅读本地存储的漫画和图像集合。作为一个自托管的解决方案,LANraragi提供了丰富的功能,包括元数据管理、标签系统、搜索功能以及现代化的阅读界面。
0.9.4版本亮点
多语言支持与Weblate集成
本次更新完善了0.9.3版本引入的本地化支持,现在LANraragi已经正式接入Weblate协作翻译平台。这使得贡献翻译变得更加便捷,无需直接操作GitHub代码库。项目目前包含约3000个单词的翻译内容,对于熟悉两种语言的用户来说,完成一个语言的翻译大约需要2小时。版本还附带了一个完整的法语翻译版本。
内置重复文件处理功能
新版本引入了一个强大的重复文件检测系统,通过比较封面缩略图的哈希值来识别数据库中的重复存档。识别出重复项后,用户可以根据预设规则(如文件大小或日期)自动保留更好的文件版本。虽然这与LRReader内置的重复检测器采用不同技术,但它提供了一个开箱即用的解决方案。
收藏功能增强
0.9.4版本新增了内置的收藏功能,用户现在可以通过便捷的书签按钮将存档添加到专门的"收藏"类别中。这些按钮在缩略图视图、紧凑视图以及阅读器中都可使用。对于新安装的用户,系统会自动创建一个内置类别来存放这些书签,与上个版本引入的自动过滤器完美配合。
紧凑视图自定义列
这个长期被忽视的功能终于得到了更新。用户现在可以根据需要添加任意数量的列到紧凑视图中,每列都可以自定义命名空间。这一改进特别适合使用超宽显示器的用户,让他们能够创建类似Excel表格的详细视图布局。需要注意的是,自定义列及其宽度设置目前保存在浏览器本地存储中,不会在不同浏览器间同步。
技术优化与性能提升
使用CHI缓存页面数据
LANraragi现在将提取的存档页面存储在内存中而非写入磁盘,这一改变显著提高了阅读和提供页面内容的速度。这是对早期基于unar时代代码的重大改进,标志着项目技术架构的成熟演进。由于这一变更,临时文件夹不再默认位于/public目录下,因为不再需要直接从该位置提供缓存页面。
阅读器空格键功能改进
阅读器中的空格键功能得到了优化,现在能够更智能地处理页面滚动和翻页操作。新版本修复了在特定浏览器和缩放级别超过100%时的问题,并改进了无限滚动模式下的页面定位。对于网络漫画格式的存档,还增加了一些贴心的优化。
其他重要改进
- 修复了评分系统会删除命名空间中除第一个实例外的所有实例的问题
- 在添加评分后重新加载表格时保持页面索引
- 搜索引擎不再将空字符串添加为标记,提高了大多数搜索场景的速度
- 移除了Docker安装中对v18 Node.js的强制要求
- 添加了多种k6测试用于性能评估
- 修复了插件配置中设置非ASCII字符时的decode_json错误
- 修正了搜索API中由于算术错误导致的不正确recordsTotal值
- 更新了ComicInfo插件
- 确保本地化初始化在数据库准备就绪后进行,避免Windows系统上的启动失败
- 修复了hitomi.pm插件
- 移除了Docker构建中的
legacykeyvalueformat警告 - 更清晰地处理GitHub API速率限制
- 改进了对不存在翻译的maketext错误处理和回退机制
- 修复了高图片的缩略图裁剪问题
- 修正了翻译中未转义的引号
- 修复了文档中搜索API tank参数名称不正确的问题
API变更
新增了api/categories/bookmark_link端点来管理书签功能,为前端收藏功能提供了后端支持。
总结
LANraragi 0.9.4版本带来了多项用户期待已久的功能和重要的性能优化,特别是重复文件处理、收藏功能和紧凑视图自定义列等改进,大大提升了用户体验。技术架构上的优化,如CHI缓存的使用,也为未来的发展奠定了更坚实的基础。这个版本充分体现了开源社区协作的力量,许多功能改进都来自于社区贡献者的工作。
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