Stream Chat Android 6.17.0版本发布:性能优化与功能增强
Stream Chat Android是一个功能强大的即时通讯SDK,为开发者提供了构建聊天应用所需的各种组件和功能。本次6.17.0版本的发布,主要聚焦于性能优化、用户体验改进以及新功能的引入。
客户端核心改进
在stream-chat-android-client模块中,开发团队进行了两项重要改进:
-
消息解析增强:现在当从API或事件中解析Message对象时,会自动添加ChannelInfo作为回退机制。这意味着即使在特定情况下无法获取完整的频道信息,系统也能提供基本的频道数据,确保消息显示的完整性。
-
令牌刷新优化:改进了WebSocket重新连接时的令牌刷新逻辑。现在只有当重新连接是由于令牌问题触发时,才会进行令牌刷新操作。这一优化减少了不必要的网络请求,提高了连接效率。
UI组件性能提升
stream-chat-android-ui-components模块中,视频/音频附件播放性能得到了显著提升:
- 用ExoPlayer替代了原有的VideoView实现。ExoPlayer是Google推荐的媒体播放解决方案,具有更好的性能、更低的延迟和更高的稳定性。这一改变使得聊天中的媒体播放更加流畅,特别是在处理多种格式的视频和音频文件时表现更优。
Compose组件改进
在stream-chat-android-compose模块中,开发团队进行了多项优化和新功能开发:
性能优化
-
图形层修饰符改进:采用了基于lambda的graphicsLayer修饰符,避免了修饰符中可变状态导致的不必要重组,显著提升了界面渲染性能。
-
消息已读状态优化:现在只有当应用处于前台时,才会将最底部的消息标记为已读。这一改变更符合用户实际使用场景,避免了后台不必要的状态更新。
新功能引入
-
频道信息界面:新增了实验性的DirectChannelInfoScreen和GroupChannelInfoScreen组件,用于展示频道信息和可用的频道操作。这些组件为开发者提供了开箱即用的频道管理界面。
-
成员信息模态框:新增了内部使用的ChannelInfoMemberInfoModalSheet组件,用于展示频道成员信息和相关操作选项。
API变更
- 消息列表头部点击处理:MessageListHeaderCenterContent现在支持可选的onClick参数,使点击处理更加灵活。同时MessageListHeader也支持nullable的onHeaderTitleClick,当头部不可点击时不会显示涟漪效果。
这些改进和新增功能使得Stream Chat Android SDK在性能、稳定性和功能丰富度上都得到了提升,为开发者构建高质量的聊天应用提供了更好的基础。特别是媒体播放性能的改进和Compose组件的优化,将直接提升终端用户的使用体验。
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