LiveCharts2 v2.0.0-rc5 发布:图表库的重大升级与改进
LiveCharts2 是一个功能强大的跨平台数据可视化库,支持多种 UI 框架,包括 MAUI、Avalonia、Uno Platform 等。最新发布的 v2.0.0-rc5 版本带来了超过 400 项提交的改进,标志着该库在性能、功能和用户体验方面都取得了显著进步。
核心架构重构:绘图引擎全面升级
本次版本最重大的改进是对绘图引擎的全面重构。在之前的版本中,当元素位于布局中时,Canvas 变换不会应用到子元素上。新版本解决了这个问题,现在变换会正确传递到子元素。这一特性在工具提示中得到了充分体现,现在工具提示的几何图形的不透明度和缩放也会应用到其内部内容。
绘图引擎的代码结构变得更加清晰。过去,库使用接口来定义所有图形,现在改为使用基类的方式。例如,BaseRoundedRectangleGeometry 类继承自 DrawnGeometry,这个基类处理动画和变换,而在 SkiaSharp 程序集中,我们只需继承这个基类并使用 SkiaSharp 绘制矩形。这种设计不仅使代码更加整洁,还为未来移除对 SkiaSharp 的依赖提供了可能。
MAUI 兼容性与安装改进
针对 MAUI 用户,新版本改进了处理程序的注册方式,使其更符合 MAUI 的逻辑。这一变化解决了之前版本中存在的一些问题,如处理程序未正确注册等。现在,用户需要在 MauiProgram.cs 文件中显式调用 .UseLiveCharts() 方法来初始化图表库。
可视化元素增强
可视化元素(VisualElements)在之前的版本中感觉有些"hacky",定制起来比较困难。新版本大大简化了这一过程,现在在画布上绘制任何我们需要的元素都变得更加容易。虽然旧的视觉元素仍然受支持,但其中一些已被标记为过时。
GPU 渲染支持
性能方面的一个重要改进是新增了 GPU 渲染支持。应用启动时,可以通过设置 LiveCharts.UseGPU = true 来启用 SkiaSharp 提供的硬件加速视图。需要注意的是,由于技术限制,这一特性在 .NET Framework 和某些平台上(如 Avalonia 或 Eto)尚不可用。
性能监控:FPS 日志
开发者现在可以更直观地监控图表性能。通过设置 LiveCharts.ShowFPS = true 可以显示图表每秒帧数(FPS),甚至可以通过 LiveCharts.MaxFps = 90 尝试提高帧率(默认为 65)。这一功能在性能优化和调试时非常有用。
指针交互改进
新版本收集了大量用户关于图表交互方式的反馈,并提供了全面的解决方案。FindingStrategy 属性现在更加灵活,允许用户配置库如何在图表上选择点。库提供了 8 种不同的策略,当这些预设策略不够用时,用户还可以创建自己的选择逻辑。
轴比例尺灵活性增强
轴比例尺现在完全可定制。新版本增加了一个专门的文档来解释如何匹配和自定义比例尺,为用户提供了更大的控制权。
移除对 Xamarin 的支持
随着 .NET MAUI 的成熟,新版本不再支持 Xamarin。建议仍在使用 Xamarin 的用户迁移到 MAUI。
迁移指南与重大变更
对于大多数用户来说,如果没有进行自定义绘制(如自定义图例、工具提示或视觉元素),升级应该是无缝的。但绘图引擎的重构意味着任何自定义绘制代码都可能受到影响。主要变更包括:
IChartLegend<T>和IChartTooltip<T>不再需要泛型参数Chart.VisualElements属性的类型从ChartElement<T>改为ChartElementVisualElement<T>改为VisualElement
对于自定义绘制代码,大多数变更只是移除了 TDrawingContext 泛型参数或重命名了对象。所有过时的代码都会有提示,指导开发者如何更新到新 API。
LiveCharts2 v2.0.0-rc5 版本代表了该库发展的重要里程碑,为开发者提供了更强大、更灵活的工具来创建丰富的数据可视化应用。无论是性能优化、交互改进还是架构重构,这个版本都为未来的发展奠定了坚实的基础。
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-1.5暂无简介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-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