VisActor/VTable 1.15.2版本发布:增强表格功能与用户体验优化
VisActor/VTable是一款功能强大的Web表格组件库,专注于提供高性能、可定制化的数据展示解决方案。该项目支持多种表格类型,包括基础表格、透视表、树形表格等,并提供了丰富的交互功能和可视化效果。
功能增强
进度条功能升级
在1.15.2版本中,进度条功能得到了显著增强。现在开发者可以为dependField和batType属性配置函数,这意味着进度条的显示方式可以根据业务逻辑进行动态调整。例如,可以根据不同数据行的特定字段值来决定进度条的样式或行为,为数据可视化提供了更大的灵活性。
空数据提示交互优化
新增了空数据提示(emptyTip)的点击事件支持。当表格数据为空时显示的自定义提示信息现在可以响应用户点击,开发者可以借此实现诸如"点击加载数据"等交互功能,大大提升了用户体验。
画布尺寸自适应
canvasWidth和canvasHeight属性现在支持自动设置(auto setting)。这一改进简化了表格在不同容器中的自适应布局,开发者不再需要手动计算和设置画布尺寸,表格能够根据父容器自动调整大小。
列表表格数据更新增强
针对列表表格(list-table)的树形和分组模式,新增了数据更新功能。这使得在树形结构或分组展示的数据发生变化时,表格能够正确响应并更新显示,保持数据一致性。
分组标题格式化
新增了groupTitleFieldFormat API,允许开发者自定义分组标题的显示格式。这一功能特别适用于需要对分组标题进行特殊处理或本地化的场景,为数据展示提供了更多可能性。
问题修复
甘特图交互优化
修复了鼠标离开甘特图任务条时mouseleave_taskbar事件未正确触发的问题。这一修复确保了甘特图交互的完整性和准确性,为用户提供了更流畅的操作体验。
空提示布局问题
解决了当窗口大小改变时空数据提示(empty-tip)的布局问题。现在空提示能够正确适应不同尺寸的窗口,保持美观和功能性。
文本粘滞处理优化
移除了handleTextStick()方法中对树形结构的限制。这一改进使得文本粘滞功能在更多场景下可用,特别是在处理复杂树形数据时表现更加稳定。
技术细节
1.15.2版本在保持稳定性的同时,着重提升了表格的功能性和用户体验。特别是对进度条和分组标题的增强,使得数据可视化能力更上一层楼。画布尺寸的自适应支持则大大简化了开发者的布局工作。
在性能方面,该版本优化了数据更新机制,特别是在树形和分组模式下,确保了大数据量下的流畅操作。交互事件的完善也为开发者提供了更丰富的用户行为捕捉能力。
VisActor/VTable持续关注开发者需求,通过不断的功能增强和问题修复,致力于提供最优质的表格解决方案。1.15.2版本的发布再次证明了这一点,为Web数据展示应用开发提供了更强大的工具支持。
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