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。
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