DivKit 31.13.0版本发布:跨平台UI框架的全面优化
DivKit是一个由Yandex开源的跨平台UI框架,它允许开发者使用声明式的JSON格式来定义复杂的用户界面,并在Android、iOS和Web平台上实现一致的渲染效果。通过DivKit,开发者可以快速构建动态、高性能的UI,同时减少平台间的代码差异和维护成本。
本次发布的31.13.0版本为DivKit带来了多项重要改进和问题修复,涵盖了Android、iOS和Web三大平台。这些更新不仅增强了框架的功能性,也提升了用户体验和开发效率。
Android客户端改进
在Android平台上,本次更新主要解决了两个关键问题:
-
Pager组件图像渲染修复:修复了在Pager组件中图像绘制异常的问题。Pager作为常用的滑动容器组件,经常用于展示图片轮播等内容,这一修复确保了图像在各种滑动场景下都能正确显示。
-
字典变量表达式支持:增强了
set_variable动作的功能,现在支持对字典(dict)类型变量使用表达式。这一改进使得动态更新复杂数据结构变得更加灵活,开发者可以通过表达式来精确控制字典内容的修改。
iOS客户端优化
iOS平台获得了四项重要更新:
-
集合变量URL设置支持:新增了通过URL设置集合变量(包括数组和字典)的能力。这一功能扩展了数据初始化的方式,使得从网络加载复杂数据结构变得更加便捷。
-
资源URL前缀修正:修复了资源URL中错误的图片名前缀问题,确保了资源加载的正确性。
-
重叠容器动画优化:解决了在重叠容器中执行动画时视图意外弹出到前景的问题,提升了动画效果的稳定性和视觉一致性。
-
字典变量表达式支持:与Android平台类似,iOS现在也支持在
set_variable动作中对字典变量使用表达式,保持了跨平台行为的一致性。
Web客户端增强
Web平台的改进主要集中在三个方面:
-
作用域ID错误处理:修复了当执行带有
scope_id的动作但找不到对应作用域时的错误处理逻辑。现在这种情况会明确地导致动作失败,而不是产生未定义行为,提高了调试的便利性。 -
图像尺寸计算优化:
- 修正了带有
aspect和wrap_content属性的图像尺寸计算逻辑,确保了图像在各种布局条件下的正确显示比例。 - 改进了
tabs组件在match_parent和fixed高度设置下的溢出处理,使标签页的布局更加可靠。
- 修正了带有
-
数据类型转换统一:调整了字典(dict)和数组(array)类型值默认转换为字符串的行为,使其与Android/iOS平台保持一致,进一步强化了跨平台表现的一致性。
技术价值与开发者收益
本次DivKit 31.13.0版本的更新体现了框架在以下几个方面的持续进步:
-
跨平台一致性:通过对字典变量表达式支持的统一实现,以及对数据类型转换行为的调整,DivKit进一步缩小了各平台间的差异,使开发者能够更轻松地维护跨平台应用。
-
稳定性提升:多个渲染和布局问题的修复,特别是Pager组件图像绘制、重叠容器动画等常见场景的改进,显著提高了框架的稳定性和可靠性。
-
功能扩展:新增的集合变量URL设置能力为数据初始化提供了更多选择,特别是在需要从网络加载配置的场景下,大大简化了开发流程。
-
错误处理完善:Web平台对作用域ID错误的明确处理,使得开发者能够更快定位和解决问题,提升了开发体验。
对于使用DivKit的开发者来说,升级到31.13.0版本将获得更稳定、更一致的跨平台UI开发体验,特别是在处理复杂数据结构和动画效果时,能够减少平台特定代码的编写,提高开发效率。
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