Pharo 13.0.0 版本发布:现代Smalltalk开发环境的重大升级
Pharo作为现代Smalltalk开发环境的代表项目,近日发布了13.0.0版本,这是继12.0.0之后的一次重大更新。Pharo以其简洁纯粹的面向对象设计、强大的开发工具和活跃的社区而闻名,为开发者提供了极致的编程体验。
核心改进与特性
本次13.0.0版本包含了超过400项变更,涉及编译器、调试器、UI框架、工具链等多个核心组件。其中最具代表性的改进包括:
1. 重构工具链现代化
Pharo 13对重构系统进行了全面升级,引入了全新的驱动架构。开发者现在可以体验到更稳定可靠的"提取方法"、"内联方法"、"重命名变量"等重构操作。特别是"复制类"重构功能得到了显著增强,解决了在复杂类层次结构中的复制问题。
2. 调试与反射能力提升
新版本改进了调试点(debug point)系统,修复了在元类方法上设置调试点的问题。反射API的link:toAST:方法现在能正确处理元类方法,为元编程提供了更强大的支持。同时还新增了"栈上替换"(OnStack replacement)特性,使得在不中断程序执行的情况下更新代码成为可能。
3. 主题与UI改进
引入了全新的DarkBlueTheme深色主题,优化了颜色对比度,为长时间编码的开发者提供更舒适的视觉体验。UI框架方面,改进了FormSet的缩放处理,不再需要频繁重新计算缩放比例,提升了图形渲染性能。
4. 编译器与运行时优化
对FFI(外部函数接口)调用进行了多项改进,包括添加了相同类型和大小数组类型的缓存,显著提升了FFI调用性能。新增了newTenured分配方法,为内存管理提供了更多控制选项。随机数生成器(Random)的初始化速度也得到了优化。
开发者工具增强
Pharo 13对开发者工具链进行了多项实用改进:
- 快捷键编辑器:全新的快捷键管理界面,让自定义开发环境更加方便
- 图标包管理器:集中管理项目使用的图标资源
- 改进的代码补全:增强了对闭包和块(block)的支持
- 进程浏览器:全新的实现,提供更清晰的进程状态视图
- 设置浏览器:支持直接从规则类跳转到相关设置
向后兼容性与迁移
考虑到大型项目的迁移成本,Pharo 13在引入新特性的同时,也注重保持向后兼容性:
- 提供了过渡性的兼容层,帮助现有代码逐步迁移到新API
- 新增了
SystemBuildInfo类,方便查询系统构建信息 - 改进了错误消息,特别是在类定义加载失败时提供更详细的诊断信息
- 文档系统中增加了关于对象检查器迁移的专门说明
性能优化
性能始终是Pharo关注的重点,13.0.0版本包含多项优化:
- 加速了方法安装过程,将编译与安装步骤分离
- 优化了包(Package)相关操作的性能
- 改进了集合类的部分方法实现
- 减少了不必要的AST(抽象语法树)重新计算
- 优化了随机数生成器的种子处理
开发者体验
Pharo 13在提升开发者体验方面做了大量工作:
- 代码编辑器现在能正确处理FFI调用的格式化
- 改进了自动配对字符的处理逻辑
- 增强了对数字字面量中下划线的支持(如
1_000_000) - 提供了更智能的文本导航功能,支持按不同字符组移动
- 改进了撤销/重做系统的可靠性
总结
Pharo 13.0.0版本标志着这个现代化Smalltalk环境又向前迈进了一大步。通过重构核心工具链、增强调试能力、优化性能和改进UI,它为开发者提供了更强大、更稳定的编程环境。无论是长期使用Pharo的开发者,还是对Smalltalk感兴趣的新用户,都能从这个版本中获得显著的体验提升。
随着Pharo社区的持续活跃和开发团队的不断努力,我们可以期待这个项目在未来带来更多创新和改进,继续推动面向对象编程的发展边界。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00