Mindolph V1.11 发布,生成式 AI 流式输出和摘要功能
Mindolph 是一个支持多种桌面平台的开源个人知识库管理软件
https://github.com/mindolph/Mindolph
V1.11 版本主要改进了生成式AI功能的使用体验,包括实现 AI 的流式输出,提供了 AI 摘要功能等,并且优化了 UI 。
新功能
-
生成式AI
-
支持流式输出文本内容(支持Markdown,PlantUML,文本文件)
-
-
新的摘要功能,对选中的文本进行摘要(支持思维导图,Markdown,PlantUML, 文本文件)
-
-
增加对 DeepSeek API 的支持。
-
允许用户设置输出语言,并提供选项使生成内容的语言与用户输入的文本语言一致。
-
重新设计弹出面板,让用户在开始生成之前选择模型和输出语言。
-
-
添加新选项 UI font size 和 UI icon size 用以设置全局界面字体大小和图标大小,图标大小分三个级别: 小(16),中(20),大(24),这两个设置需要重启应用才能生效。
-
PlantUML 编辑器新增对 Regex 和 EBNF 的支持。
改进
-
生成式AI
-
优化用户在 AI 输出过程中主动停止的情形的处理。
-
为了避免出现不可预料的情况,在 AI 生成过程中临时性禁用编辑器。
-
记住最新的用户输入提示,用于初始化AI输入面板的提示词。
-
允许用户自定义多个模型。
-
为AI模型(预知或自定义)增加最大输出 token 的参数,最大限度利用模型的能力。
-
更新Qwen,OpenAI 和 Google Gemini 模型。
-
-
添加为打开的文件创建新集合的通知,并且在保存集合而发出的消息通知里增加文件数。
-
对于应用代码片段,如果您选中了文本且选择的代码片段需要的话,则会自动包裹所选文本。
-
优化思维导图编辑器中主题树对话框的退出和搜索栏的退出。
-
其他UI上的微小改进。
Bug修复
-
修复了从XMind或Novamind文件导入时潜在的文件句柄泄漏(https://github.com/mindolph/Mindolph/issues/13)
-
Markdown 工具栏限制了编辑器分割栏的位置调节。
-
当用鼠标拖动缩小左侧边栏宽度时,Snippet 视图的滚动条会被遮挡。
-
选定的默认集合未在应用程序启动时恢复选择状态。
-
过滤片段应该不区分大小写。
-
PlantUML 模板的小问题。
-
PlantUML的group 代码片段在活动图中无效。
依赖升级
升级 PlantUML, commons-csv 等其他依赖至最新版本。
下载链接
系统 | 类型 | 稳定版 |
---|---|---|
macOS | .dmg | v1.11.9 |
macOS | .dmg | v1.11.9 |
Windows | .msi | v1.11.9 |
Debian | .deb | v1.11.9 |
Fedora | .rpm | v1.11.9 |
Java Executable | .jar | v1.11.9 |

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
RAG 文档解析工具选型指南
编者按: 当你需要为 RAG 系统选择文档解析工具时,面对 GitHub 上数百个开源项目和各种商业解决方案,你是否感到无从下手? 本文基于作者在实际项目中的工具使用经验,系统梳理了处理不同类型文档的工具选择。从知识图谱处理的 GRAG、KG-RAG、GNN-RAG 等工具,到表格解析的 TableRAG、TA。从 HTML 处理的 BeautifulSoup、HtmlRAG,到 PDF 解析的 MinerU、GPTPDF、Marker,再到多模态处理的 CLIP、Wav2Vec 2.0 等。期待本文能够帮助你快速找到最适合自己项目需求的技术方案。 作者 | Florian June 编译 | 岳扬 对于 RAG 系统而言,从文档中提取信息是一个不可避免的情况。最终系统输出的质量很大程度上取决于从源内容中提取信息的效果。 过去,我曾从不同角度探讨过文档解析问题[1]。本文结合近期一篇 RAG 调查报告[2]的发现与我之前的部分研究,对 RAG 系统如何解析和整合结构化、半结构化、非结构化和多模态知识进行了简明概括。 Figure 1: RAG 系统整合的多种知识类型,涵盖结构化、半结构...
- 下一篇
PaddlePaddle 3.1.1 发布
PaddlePaddle 3.1.1 现已发布。3.1.1版本围绕大模型训练全流程进行了系统性强化,通过体系化修复大模型场景下算子数值精度和功能等底层稳定性问题,结合API的日志系统规范化与单元测试全覆盖,显著提升大模型训练的正确性和稳定性;性能层面,在提高部分关键框架API和FP8场景下的量化计算效率的同时增强分布式训练场景下FP8量化和流水线并行效率,大幅提升训练吞吐。 扩展自动并行架构的切分推导覆盖范围;推理部署提高兼容性的同时进一步增强EP并行推理能力;整体上在保持API兼容性的基础上构建出更稳健、高效的大模型研发技术底座。 算子与执行体系正确性、稳定性增强:系统化修复0-size、大shape Tensor、CPU/GPU 精度一致性问题,保障大模型训练正确性、稳定性。 FP8相关算子优化: 进一步提升FP8相关量化和计算融合算子的性能,并调整了部分算子的sm使用量,提升FP8混合精度训练效率 大模型训练更稳更快:系统性优化了Slice相关场景的执行效率,大幅提升Slice相关操作性能;修复流水线场景下的参数同步问题、新增Sharding场景的FP8参数量化能力和DualPi...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS7设置SWAP分区,小内存服务器的救世主
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- Eclipse初始化配置,告别卡顿、闪退、编译时间过长
- CentOS7安装Docker,走上虚拟化容器引擎之路
- CentOS8安装MyCat,轻松搞定数据库的读写分离、垂直分库、水平分库
- CentOS7编译安装Cmake3.16.3,解决mysql等软件编译问题
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- 设置Eclipse缩进为4个空格,增强代码规范
- SpringBoot2全家桶,快速入门学习开发网站教程