VisActor/VTable 1.16.1版本发布:表格功能增强与问题修复
VisActor/VTable是一款功能强大的表格组件库,专注于提供高性能、可定制化的数据展示解决方案。该库支持多种表格类型,包括基础表格、透视表、树形表格等,并提供了丰富的交互功能和样式配置选项。
新增功能亮点
悬停显示列宽调整手柄
本次更新新增了visibleOnHover配置项,用于控制列宽调整手柄的显示方式。开发者现在可以设置为仅在鼠标悬停时显示调整手柄,这使得表格界面更加简洁,同时保留了用户调整列宽的能力。这一改进特别适合需要保持界面整洁的应用场景。
甘特图条形样式支持函数配置
在甘特图功能方面,barStyle现在支持通过函数进行动态配置。这意味着开发者可以根据数据内容或业务逻辑,为不同的甘特条设置不同的样式。例如,可以根据任务优先级显示不同颜色的条形图,或者根据完成度调整条形长度,大大增强了数据可视化的表现力。
重要问题修复
树形结构总计行显示问题
修复了当rowHierarchyType设置为树形结构时,总计行无法正确显示在顶部的问题。这个修复确保了在树形表格中,总计值能够按照预期显示在表格顶部,提高了数据汇总的可见性。
自定义聚合列编辑更新问题
解决了当列使用自定义聚合函数时,编辑单元格内容后更新不正确的问题。现在,编辑包含自定义聚合的单元格后,相关计算能够正确更新,保证了数据一致性。
进度条单元格数值处理
优化了进度条单元格对数值的处理方式,现在明确只支持整数数值,不再处理小数。这一变更提高了进度显示的准确性,避免了因小数处理带来的显示不一致问题。
列宽自动调整行为调整
禁用了双击列边框时自动调整列宽的功能。这一变更提供了更可控的列宽调整体验,防止用户意外操作导致列宽自动变化。
React集成中的DOM定位问题
修复了在React-VTable集成中DOM元素定位不正确的问题,确保了表格在各种React应用场景下的正确渲染。
架构优化与改进
进度条单元格自定义布局支持
重构了进度条类型单元格的实现,新增了对自定义布局的支持。开发者现在可以更灵活地控制进度条的显示方式,包括进度条位置、标签显示等,满足更多样化的设计需求。
主题冻结边框样式增强
补充了主题中冻结行列边框样式的创建逻辑,使得冻结区域的边框样式可以更精细地控制。这一改进提升了表格在冻结行列情况下的视觉一致性。
总结
VisActor/VTable 1.16.1版本在功能增强和问题修复方面都取得了显著进展。新增的悬停显示列宽调整手柄和甘特图条形样式函数配置,为开发者提供了更灵活的定制能力。同时,多项关键问题的修复提升了表格的稳定性和用户体验。这些改进使得VTable在各种数据展示场景中表现更加出色,是开发者构建高性能表格应用的理想选择。
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