DivKit 31.4.0版本发布:跨平台动态UI框架的全面升级
DivKit是一个由Yandex开源的跨平台动态UI框架,它允许开发者通过JSON格式的声明式语法来构建复杂的用户界面。DivKit支持Android、iOS和Web三大平台,能够实现UI的动态更新和灵活配置,特别适合需要频繁更新界面内容的应用程序。
Android客户端更新亮点
可见性追踪控制优化
本次更新中,Div2View.discardVisibilityTracking()方法被设为公开,开发者现在可以更灵活地控制元素的可见性追踪。这个功能在需要手动管理视图可见性状态的场景下非常有用,比如当视图被临时移除但需要保留其状态时。
视觉效果增强
框架现在支持了虚线描边样式和线性渐变中的位置点设置。这些新增的样式选项让开发者能够创建更加丰富的视觉效果:
- 虚线描边可以通过
div-border中的dashed参数配置 - 线性渐变现在支持精确控制每个颜色节点的位置,实现更精细的渐变效果
稳定性提升
团队修复了多个关键问题:
- 修复了瞬态层次结构中元素的圆角裁剪问题
- 改进了复杂重绑定场景的处理逻辑
- 使用CME安全的集合解决了补丁应用时可能出现的并发修改异常
iOS客户端功能增强
iOS平台在此次更新中获得了与Android对等的视觉能力支持:
- 线性渐变新增
color_map参数,支持更灵活的渐变配置 div-border现在同样支持dashed虚线描边样式- 工具提示事件(
TooltipEvent)结构体更新,包含了div-tooltip的所有相关属性
Web客户端重要改进
Web版本的DivKit迎来了几个关键更新:
动态更新能力
新增的applyPatchAPI允许开发者对现有的DivKit实例应用增量更新,这大大提升了动态内容更新的效率。
表达式系统增强
- 修复了函数继承的问题
- 新增
derviedExpressionAPI,允许扩展订阅任意表达式的变化(注意需要手动取消订阅) - 改进了空文本高度的测量准确性
媒体处理优化
- Lottie动画扩展现在支持
is_playing参数,提供更好的动画控制 - 下载回调机制更加健壮,能够更好地处理各种错误情况
技术深度解析
本次更新中几个值得关注的技术点:
-
跨平台一致性:Android和iOS平台在视觉效果上逐渐对齐,如虚线描边和渐变控制的统一,这减少了跨平台开发的适配成本。
-
性能优化:Android端使用CME安全的集合解决并发问题,Web端改进空文本测量,都体现了框架在性能细节上的持续打磨。
-
动态能力增强:Web端的
applyPatch和表达式订阅机制,为复杂交互场景提供了更强大的支持。 -
错误处理完善:各平台都加强了对边界条件的处理,如Web端在状态转换时的错误抛出,有助于开发者更快定位问题。
升级建议
对于正在使用DivKit的开发者,建议关注以下升级点:
- 如果有自定义可见性追踪需求,可以利用Android端新公开的方法
- 检查项目中是否使用了边框或渐变效果,考虑使用新支持的样式参数
- Web开发者可以评估新的
applyPatchAPI是否能优化现有更新逻辑
DivKit 31.4.0版本通过多项功能增强和问题修复,进一步提升了框架的稳定性、表现力和跨平台一致性,为构建动态、高性能的跨平台UI提供了更强大的工具集。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00