JetBrains已发布Compose Multiplatform 1.10.0,这是基于Kotlin的声明式框架的最新版本,用于在多个平台上构建共享UI。该更新于1月13日发布,支持在桌面和iOS部署中对原生互操作元素进行自动调整大小。
元素自动调整大小功能
这些元素的大小调整意味着它们现在可以根据内容自适应布局,无需手动计算精确尺寸或提前指定固定尺寸。在桌面平台上,SwingPanel会根据嵌入组件的最小、首选和最大尺寸调整其大小。对于iOS,UIKit互操作视图现在支持根据视图的适配大小(内在内容大小)进行尺寸调整。这使得能够正确包装SwiftUI视图(通过UIHostingController)和不依赖NSLayoutConstraints的基本UIView子类。
有关Compose Multiplatform入门指南可在kotlang.org找到。Compose Multiplatform是构建在Kotlin Multiplatform技术之上的可选UI框架,用于为不同平台构建应用程序并重用代码。Compose Multiplatform应用程序可在iOS、Android、macOS、Windows、Linux和Web上运行。
Web缓存优化
在1.10.0版本中,Compose Multiplatform现在使用Web Cache API来缓存静态资源和字符串资源的成功响应。这避免了与浏览器默认缓存相关的延迟,浏览器默认缓存会通过重复的HTTP请求验证存储的内容,在低带宽连接下可能会很慢。缓存会在每次应用启动或页面刷新时清除,以确保资源与应用程序的当前状态保持一致。此功能为实验性特性。
其他功能改进
Compose Multiplatform 1.10.0的其他改进包括:
Compose热重载插件现在与Compose Multiplatform Gradle插件捆绑在一起。用户无需再单独配置热重载插件,因为对于面向桌面的Compose Multiplatform项目,它默认启用。
跨平台预览方法已统一。开发者现在可以在commonMain源集中使用androidx.compose.ui.tooling.preview.Preview注解。其他注解,如org.jetbrains.compose.ui.tooling.preview.Preview和桌面特定的androidx.compose.desktop.ui.tooling.preview.Preview已被弃用。
Navigation 3是用于管理导航的新库,现在支持非Android目标平台。
DialogProperties中的以下属性已升级为稳定版本,不再是实验性的:usePlatformInsets、useSoftwareKeyboardInset和scrimColor。同样,PopupProperties中的usePlatformDefaultWidth和usePlatformInsets属性也已升级为稳定版本。
不带PopupProperties参数的Popup重载的弃用级别已更改为ERROR,以强制使用更新的API。
对于iOS,Compose Multiplatform现在支持WindowInsetsRulers,它提供了根据窗口插入区域(如状态栏、导航栏或屏幕键盘)定位和调整UI元素大小的功能。
Q&A
Q1:Compose Multiplatform 1.10.0最重要的新功能是什么?
A:最重要的新功能是支持互操作视图的自动调整大小。这意味着原生互操作元素现在可以根据内容自适应布局,无需手动计算精确尺寸或提前指定固定尺寸,大大简化了开发工作。
Q2:Compose Multiplatform支持哪些平台?
A:Compose Multiplatform应用程序可在iOS、Android、macOS、Windows、Linux和Web上运行,是一个真正的跨平台UI框架。
Q3:新版本中的Web缓存优化有什么作用?
A:Web缓存优化使用Web Cache API来缓存静态资源和字符串资源,避免了浏览器默认缓存的延迟问题,特别是在低带宽连接下能显著提升性能。缓存会在每次应用启动或页面刷新时清除以确保一致性。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。