Manyfold 3D模型管理平台v0.104.0版本发布:oEmbed支持与实用功能升级
Manyfold是一个开源的3D模型管理平台,它允许用户组织、分享和协作处理3D打印模型。作为一个现代化的3D模型库管理系统,Manyfold提供了模型存储、版本控制、协作工具等功能,特别适合3D打印爱好者和专业设计师使用。
oEmbed标准支持:更便捷的内容嵌入
本次v0.104.0版本最重要的更新之一是增加了对oEmbed标准的支持。oEmbed是一种允许网站通过URL嵌入其他网站内容的开放标准协议。在Manyfold中实现这一功能后,用户现在可以:
- 直接将公开模型、创作者或收藏的URL粘贴到支持oEmbed的博客平台
- 系统会自动生成美观的预览内容
- 如果平台支持,甚至可以直接显示3D模型的交互式视图
这一功能极大地简化了在外部网站分享3D模型的过程,使得内容创作者能够更轻松地将Manyfold上的3D模型集成到他们的文章或教程中。技术实现上,Manyfold现在会为每个公开资源提供适当的oEmbed响应,包括标题、描述和预览图像等元数据。
实用功能增强
1. 库删除功能
长期以来用户期待的库删除功能终于在本版本中实现。用户现在可以在库设置中找到删除按钮,永久移除不再需要的库。这一功能虽然看似简单,但在实现时需要考虑数据完整性和关联性,确保删除操作不会影响其他数据。
2. 直接切片软件集成
另一个备受期待的功能是直接与切片软件的集成。目前版本支持:
- OrcaSlicer
- Cura
用户现在可以直接从模型详情页或文件下拉菜单中选择"在切片软件中打开"操作,模型文件将自动下载并启动相应的切片软件。这一功能大幅简化了从模型浏览到准备打印的工作流程。
值得注意的是,由于某些切片软件的限制(如PrusaSlicer和Bambu Studio仅支持从特定平台打开文件),目前尚未支持这些软件。开发团队表示未来会继续与这些软件的开发者沟通,争取更开放的支持。
技术优化与问题修复
除了上述主要功能外,本次更新还包含多项技术优化:
- 文件删除安全性提升:改进了文件移除机制,防止意外数据丢失
- 外键错误修复:通过移除文件的默认作用域解决了潜在的数据库外键约束问题
- 签名下载URL:为模型文件实现了签名URL机制,提高了下载过程的安全性
- 库删除优化:确保库删除操作不会意外删除磁盘上的物理文件
总结
Manyfold v0.104.0版本通过引入oEmbed支持和实用的工作流程改进,进一步提升了平台的易用性和集成能力。特别是对于内容创作者和频繁使用切片软件的用户来说,这些新功能将显著改善他们的使用体验。
从技术角度看,这次更新展示了Manyfold团队对开放标准和互操作性的重视,同时也体现了对用户长期需求(如库删除功能)的积极响应。随着3D打印生态系统的不断发展,Manyfold正通过这样的迭代逐步确立自己作为专业3D模型管理解决方案的地位。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00