Enso 2025.1.3-rc2 版本发布:数据流编程语言的重大更新
Enso 是一款创新的数据流编程语言和可视化开发环境,它将传统的文本编程与可视化节点编辑完美结合。Enso 特别适合数据科学、ETL(提取、转换、加载)流程以及复杂的数据处理任务,通过直观的图形界面让开发者能够更高效地构建数据管道。
核心功能增强
可视化编辑器改进
最新版本对 Enso 的可视化编辑器进行了多项重要改进。组件浏览器现在采用分组显示方式,并增加了组件文档摘要,使开发者能更快找到所需功能。输出端口旁的"添加组件"按钮被重新设计为小型突出按钮,提升了界面整洁度。
编辑器现在支持多行文本字面量的编辑,解决了之前只能处理单行文本的限制。错误消息显示也得到优化,当鼠标悬停在输出端口上时,错误消息会变为半透明,不再阻碍交互。
表格处理能力提升
表格编辑器组件获得多项增强:点击表头可直接开始编辑;使用 Tab 和 Enter 键可在单元格间快速导航;当尝试覆盖现有文件时会显示警告。更重要的是,表格可视化现在采用服务器端过滤和排序,显著提升了大数据集的处理性能。
语言与运行时优化
类型系统增强
Enso 2025.1.3-rc2 引入了交集类型(Intersection Types)支持,这是一个重要的类型系统扩展。交集类型允许值同时属于多个类型,编译器会确保这些类型约束得到满足。同时改进了类型检查机制,使类型系统更加健全。
错误处理改进
运行时现在会正确处理"损坏值"(broken values),不再忽略它们而是进行适当提升。当尝试将同一个值注册为多个托管资源时,现在会明确报错,帮助开发者及早发现问题。
标准库扩展
数据库连接增强
新版本大幅扩展了数据库连接能力,增加了对通用 JDBC 连接的支持,包括通过外部驱动程序的连接方式。Snowflake 连接器现在支持密钥对认证,提升了安全性。PostgreSQL、SQLite、Snowflake 和 SQL Server 都新增了 offset 功能支持。
表格操作功能
标准库增加了 Table.offset 和 Column.offset 方法,方便进行数据分页。新增的 Table.generate_rows 方法简化了测试数据的生成。正则表达式支持被扩展到更多操作中,包括过滤器和表达式语言。
数学与字符串处理
表达式语言现在支持基本算术运算和数学常数(如 pi() 和 e())。字符串处理方面增加了正则表达式匹配功能,包括专门的 regex_match 方法和对 PostgreSQL、Snowflake 的原生支持。
开发者体验优化
文档与帮助系统
文档面板现在支持渲染编号列表和嵌套列表,增加了编辑按钮和"插入链接"功能。文本可以方便地设置为粗体或斜体,使文档编写更加直观。组件浏览器会显示组件的简短文档摘要,帮助开发者快速理解功能。
交互改进
右键点击图形编辑器背景现在会显示上下文菜单,增加了导航便捷性。缩放控件现在常驻显示,操作更加直观。颜色选择器针对选中节点进行了优化,视觉反馈更加明确。
性能与稳定性
新版本默认启用原生镜像模式(Native Image),提升了运行时性能。表格可视化采用服务器端处理,大幅改善了大数据集的操作体验。多项错误修复增强了整体稳定性,包括重做栈管理、节点选择行为和项目重命名后的状态保持等。
Enso 2025.1.3-rc2 版本通过上述多项改进,进一步巩固了其作为数据流编程解决方案的地位,为数据科学家和开发者提供了更强大、更易用的工具集。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C097
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00