DivKit 31.1.0版本发布:跨平台UI框架的增强与优化
DivKit是一个开源的跨平台UI框架,它允许开发者使用声明式的JSON格式来构建复杂的用户界面。通过DivKit,开发者可以轻松实现动态UI更新、状态管理和动画效果,同时保持代码的简洁性和可维护性。本次发布的31.1.0版本为Android、iOS和Web三大平台带来了多项功能增强和问题修复,进一步提升了框架的稳定性和开发体验。
Android客户端改进
在Android平台上,31.1.0版本主要增强了分页器(pager)组件的布局控制能力。新增了对cross_axis_alignment和scroll_axis_alignment属性的支持,这两个属性分别控制分页器在交叉轴和滚动轴方向上的对齐方式。
cross_axis_alignment属性决定了分页器内容在垂直于滚动方向上的对齐方式。例如,在水平滚动的分页器中,这个属性可以控制内容在垂直方向上是顶部对齐、居中对齐还是底部对齐。而scroll_axis_alignment则控制分页器内容在滚动方向上的对齐行为,这对于实现特殊的分页效果非常有用。
这些新增的属性为开发者提供了更精细的布局控制能力,使得在不同屏幕尺寸和设备上实现一致的UI表现变得更加容易。
iOS客户端更新
iOS平台在这个版本中获得了多项重要更新。首先,新增了download动作处理器,这使得开发者可以直接在DivKit中处理文件下载操作,而无需依赖外部代码。这个功能特别适合需要展示可下载内容的场景,如电子书阅读器或媒体应用。
在行为一致性方面,修复了DivFlagsInfo.useUrlHandlerForVisibilityActions的行为,确保了可见性动作的处理方式与其他平台保持一致。同时,修正了分页器的内边距问题,消除了在某些情况下可能出现的布局错位现象。
用户体验方面也有显著改进。修复了按钮短按动画不触发的问题,现在即使是快速的轻触也会播放完整的按钮动画,提供了更连贯的交互反馈。此外,在网格视图渲染时,现在会正确遵守min_size属性对高度的限制,避免了内容被意外截断的情况。
Web客户端增强
Web平台在这个版本中获得了多项功能增强和问题修复。工具提示(tooltip)组件现在支持状态切换功能,开发者可以更灵活地控制工具提示的显示和隐藏行为。
输入(input)组件新增了对filters属性的支持,这使得开发者可以直接在DivKit中实现输入内容的过滤和验证功能,而无需编写额外的JavaScript代码。
在数学函数支持方面,新增了tan(正切)、asin(反正弦)和acos(反余弦)函数的支持,丰富了表达式计算的能力。
针对开发者体验的改进包括:修正了direction属性的类型定义,消除了类型检查时的潜在问题;调整了focus_element动作的行为,使其与原生客户端一致——现在会将光标移动到输入框的末尾;移除了可见性变化过渡效果对唯一ID的要求,简化了相关动画的实现。
跨平台一致性考虑
DivKit作为一个跨平台框架,保持各平台行为的一致性至关重要。在这个版本中,团队特别关注了不同平台间组件行为和API的同步。例如,Web平台上focus_element动作的调整就是为了匹配Android和iOS的原生行为。同样,移除可见性过渡效果对唯一ID的要求也是为了与Android客户端的行为保持一致。
这些改进不仅提升了开发者的体验,也使得应用在不同平台上能够呈现更加一致的UI和行为,减少了平台特定代码的需求。
总结
DivKit 31.1.0版本通过多项功能增强和问题修复,进一步提升了框架的稳定性、功能丰富性和跨平台一致性。无论是Android的分页器布局控制、iOS的下载功能支持,还是Web的输入过滤和数学计算能力,这些改进都为开发者构建高质量的跨平台应用提供了更强大的工具。
对于正在使用DivKit的开发者,建议尽快升级到这个版本以利用这些新特性和改进。对于考虑采用DivKit的团队,这个版本展示了框架持续演进的能力和跨平台开发的潜力。
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