TGUI 1.9.0版本发布:跨平台GUI库的重大更新
TGUI(Tiny GUI)是一个轻量级、跨平台的C++ GUI库,它提供了丰富的UI组件和现代化的界面设计能力。TGUI最初是为SFML图形库设计的,但随着发展已经支持多种后端渲染引擎,包括SDL、Raylib等,使其成为游戏开发和图形应用程序中构建用户界面的理想选择。
新后端支持:SDL_GPU
TGUI 1.9.0版本引入了对SDL3新GPU API的支持。这一重大更新意味着开发者现在可以使用SDL_GPU作为TGUI的后端渲染引擎。SDL_GPU是SDL3中新增的一个高性能图形渲染API,它提供了更直接的硬件加速访问,能够带来更好的渲染性能。
对于已经使用SDL3进行项目开发的团队来说,这一支持意味着可以无缝集成TGUI到现有项目中,无需额外的渲染层转换。SDL_GPU后端特别适合那些需要高性能图形渲染的游戏和应用程序。
RichTextLabel功能增强
RichTextLabel组件在此版本中获得了重要增强,新增了对URL标签的支持。这意味着开发者现在可以在富文本中嵌入超链接,为用户提供更丰富的交互体验。
此外,新增的findLinkAtPos函数允许开发者检查鼠标是否悬停在任何链接上,这为实现链接悬停效果和点击处理提供了基础。这一功能对于创建现代化的、类似网页的交互体验非常有价值,特别是在游戏内的帮助系统、教程或信息展示界面中。
CanvasSFML坐标映射功能
CanvasSFML类新增了两个实用的坐标转换函数:mapPixelToCoords和mapCoordsToPixel。这些函数提供了像素坐标与逻辑坐标之间的双向转换能力,解决了在复杂视图和变换场景下精确定位UI元素的问题。
这一功能特别适用于那些需要在不同坐标系之间进行转换的场景,比如当CanvasSFML用于游戏中的小地图或特殊效果渲染时,开发者可以更轻松地处理坐标系统间的映射关系。
百分比字面量支持
TGUI 1.9.0引入了一个新的命名空间tgui::literals::percent,其中包含了_percent用户定义字面量。这一语法糖使得在代码中表示百分比值更加直观和类型安全。
例如,开发者现在可以这样写:
auto width = 50_percent; // 等同于tgui::Layout2d("50%")
这种表达方式不仅使代码更易读,还能在编译时捕获一些潜在的类型错误,提高了代码的健壮性。
Android平台上的Raylib支持
此版本增加了通过raymob在Android平台上使用raylib后端的能力。这一扩展使得TGUI可以更广泛地应用于移动设备开发,特别是那些使用raylib作为图形引擎的Android游戏和应用。
对于移动开发者来说,这意味着他们可以在Android平台上利用TGUI的强大UI功能,同时保持raylib的轻量级和跨平台特性。这一支持为移动游戏开发提供了更多可能性。
动画效果修复
TGUI 1.9.0修复了在使用showWithEffect或hideWithEffect函数时,当淡入淡出(Fade)动画尚未完成时的行为问题。这一修复确保了动画效果的平滑过渡,避免了在快速连续触发动画时可能出现的视觉瑕疵。
对于注重用户体验的开发者来说,这一改进意味着他们可以更可靠地使用TGUI的动画效果系统,创建更流畅的界面过渡和交互体验。
总结
TGUI 1.9.0版本带来了多项重要更新和功能增强,从新的渲染后端支持到现有组件的功能扩展,再到平台兼容性的提升。这些改进不仅丰富了TGUI的功能集,也提高了其在各种应用场景下的适用性和稳定性。
对于C++开发者,特别是那些需要构建跨平台图形界面的游戏和应用开发者来说,TGUI 1.9.0提供了一个更加强大和灵活的工具集。无论是桌面应用还是移动应用,新版本都能满足更广泛的开发需求,同时保持TGUI一贯的轻量级和易用性特点。
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