多模态模型评估新范式:PerceptionRubrics从原理到实践

windows下64位新版git下载 Git-2.12.1-64 立即下载

在人工智能快速发展的今天,多模态模型(能够同时理解和处理文本、图像、音频等多种信息形式的模型)的性能评估变得越来越重要。然而,开发者们常常面临一个核心困境:在标准基准测试(如MMBench、Seed-Bench)上获得高分的模型,在实际应用场景中却可能表现脆弱,甚至产生违背人类常识的判断。这种“高分低能”的现象,使得传统的评估方法难以真实反映模型的实用价值。

本文要介绍的 PerceptionRubrics ,正是为了解决这一痛点而生。它是一个创新的、基于评分标准的评估框架,其核心目标是 将多模态模型的评估标准“校准”到人类感知的水平 。简单来说,它不再仅仅依赖模型输出与标准答案的简单匹配,而是通过一套精细的规则,像经验丰富的老师批改主观题一样,从多个维度对模型的回答进行深度评估。

无论你是刚接触多模态领域的入门者,还是正在为模型部署效果发愁的算法工程师,本文都将带你完整拆解PerceptionRubrics。你将不仅理解其背后的设计哲学,还能掌握其核心评估逻辑,并了解如何利用它来更客观、更可靠地衡量你手中模型的真实能力。

1. 多模态评估的现状与挑战:为什么需要PerceptionRubrics?

在深入PerceptionRubrics之前,我们有必要先了解当前多模态评估体系面临的几个关键挑战。

1.1 基准测试的“分数饱和”与“现实鸿沟”

当前主流的多模态基准测试(Benchmark)大多采用 多项选择题 或 简单问答 的形式。模型的任务是从给定选项中选择正确答案,或生成与标准答案关键词匹配的文本。这种评估方式的优点是标准化、易于量化。但它的缺点也十分明显:

  • 鼓励“猜题”而非“理解” :模型可能通过记忆海量数据中的表面统计规律来“蒙对”答案,而非真正理解图像和文本之间的深层语义关联。
  • 忽视推理过程 :即使答案正确,模型的推理逻辑也可能是荒谬的。传统评估无法捕捉这一点。
  • 现实场景复杂性不足 :真实世界的问题往往是开放式的、模糊的,且没有标准选项。基准测试的封闭性无法模拟这种复杂性。

这就导致了“分数饱和”现象:众多模型在基准测试上的分数都超过了90%,甚至95%,但它们在实际应用中的表现差异巨大。这个分数已经无法有效区分模型的优劣。

1.2 人类感知的复杂性与现有评估的简化处理

人类对多模态信息的感知是极其精细和复杂的。当我们看一张图并回答问题时,我们会综合考虑:

  • 核心事实 :图像中明确存在的内容(如“有一只猫”)。
  • 隐含关系 :物体之间的空间、动作、逻辑关系(如“猫正在追一只老鼠”)。
  • 上下文与常识 :基于世界知识的推理(如“在厨房里的猫可能饿了”)。
  • 细微差别 :情感倾向、反讽、幽默等。

传统的“整体语义匹配”评估方式(例如,使用BERTScore或简单的词汇重叠率)将模型的回答与一个或几个标准答案进行比较,完全无法胜任对这种复杂感知的评估。它过于简化了人类判断的丰富维度。

PerceptionRubrics的诞生,正是为了弥合这道“现实鸿沟”。它通过引入结构化、多维度的评分标准,使评估过程更接近人类的评判方式。

2. PerceptionRubrics核心概念解析:从“匹配”到“量规”

要理解PerceptionRubrics,需要掌握两个核心概念: 评估量规(Evaluation Rubric) 和 校准(Calibration) 。

2.1 什么是评估量规(Rubric)?

量规起源于教育领域,是用于评估学生作业(如论文、项目)的一套结构化评分标准。它通常包含多个评估维度和清晰的质量等级描述。

例如,评估一篇作文的量规可能包括“内容思想”、“结构逻辑”、“语言表达”等维度,每个维度下又分为“优秀”、“良好”、“合格”、“不合格”等等级,并详细描述每个等级需要达到的标准。

PerceptionRubrics将这一思想引入多模态评估。 它不再问“模型的回答和标准答案匹配吗?”,而是问:

  • 模型的回答在 事实准确性 上做得如何?
  • 在 推理逻辑 上是否合理?
  • 是否包含了 无关或幻觉 的内容?
  • 其 语言表达 是否清晰流畅?

通过对每个维度进行独立评分,最后综合得出一个更全面、更细致的总体评价。

2.2 校准(Calibration)至人类感知

“校准”是PerceptionRubrics的另一个关键。它的目标是让自动评估系统的打分与人类专家的打分尽可能一致。具体如何实现?

  1. 建立黄金标准(Gold Standard) :首先,由人类评估专家针对一批测试样本,根据制定好的量规,进行精细化的手工评分。这批数据成为“标准答案”。
  2. 训练评估模型 :利用这批人类评分数据,训练一个强大的评估模型(例如,基于大型语言模型如GPT-4)。这个模型学习的是人类的评判逻辑和标准,而不是简单的字符串匹配。
  3. 自动化评估 :训练好的评估模型就可以自动地对新模型的海量输出进行快速、且与人类感知高度一致的评估。

这种方法将人类从繁重的评估工作中解放出来,同时保证了评估结果的质量和可靠性。

3. PerceptionRubrics框架的工作原理与流程拆解

了解了核心概念后,我们来看PerceptionRubrics具体是如何运作的。其工作流程可以清晰地拆解为以下几个步骤。

3.1 步骤一:定义评估维度与量规

这是最基础也是最重要的一步。针对特定的评估任务,需要设计合适的评估维度。常见的维度包括:

  • 正确性(Correctness) :回答是否与图像中的视觉事实一致。
  • 相关性与完整性(Relevance & Completeness) :回答是否全面覆盖了问题所问的要点,且没有引入不相关的信息。
  • 推理质量(Reasoning Quality) :得出结论的逻辑过程是否清晰、合理。
  • 语言质量(Language Quality) :文本是否流畅、语法正确、易于理解。
  • 幻觉程度(Hallucination) :是否生成了图像中不存在的虚假信息。

每个维度都需要定义清晰的评分等级,例如用1-5分制,并详细描述每个分数对应的表现。

示例:针对“描述这张图片”任务的简化量规

维度 1分(差) 3分(中) 5分(优)
正确性 存在关键事实错误 基本事实正确,但有次要错误 所有视觉事实描述准确
完整性 只描述了极小部分内容 描述了主要物体,忽略细节 全面描述了场景、物体、属性、关系
幻觉 包含大量虚构内容 有少量无关推测 严格基于图像内容,无幻觉
3.2 步骤二:构建人类评分数据集

组织领域专家或经过培训的评估员,依据上一步制定的量规,对一批模型生成的回答进行评分。这批数据将成为训练评估模型的“监督信号”。数据的质量和一致性至关重要。

3.3 步骤三:训练自动化评估模型

使用步骤二得到的人类评分数据,对一个强大的基础模型(如LLaMA、GPT等)进行微调(Fine-tuning)或提示学习(Prompt-based Learning)。训练的目标是让模型学会根据量规来给分。

技术提示 :在实践中,通常采用 对比学习 或 排名学习 的方法,让模型不仅学会打绝对分,更能理解不同质量回答之间的相对优劣。

3.4 步骤四:自动化评估与结果分析

训练好的评估模型可以批量处理待评估模型的输出。最终,我们会得到每个模型在每个测试样本上的多维度的分数。我们可以从多个层面进行分析:

  • 宏观比较 :比较不同模型在整体数据集上的平均分。
  • 微观分析 :分析模型在特定类型问题(如需要复杂推理的问题、涉及细粒度属性识别的问题)上的表现。
  • 弱点诊断 :通过分析各维度得分,精准定位模型的薄弱环节。例如,发现某个模型虽然正确性高,但幻觉问题严重,这为模型优化指明了方向。

4. 实战模拟:手把手解读一个评估案例

由于PerceptionRubrics是一个研究框架,其完整代码实现涉及复杂的模型训练。此处,我们通过一个完整的案例来模拟其评估逻辑,这对于理解其精髓至关重要。

假设我们有一个多模态模型,并向它提出一个问题。我们将模拟PerceptionRubrics的评估过程。

评估样本:

  • 图像 :一张照片,内容为“一个小朋友在公园的沙坑里用蓝色的铲子玩沙子,旁边放着一个红色的水桶。”
  • 问题 :“图片中的孩子在做什么?用了什么工具?”
  • 待评估模型的回答 :“一个孩子正在沙滩上玩沙,他手里拿着一把铲子。”

现在,我们使用上面定义的简化量规(正确性、完整性、幻觉)来评估这个回答。

4.1 维度一:正确性(Correctness)评估
  • 人类评估思路 :
    • “孩子正在玩沙” -> 正确。
    • “手里拿着一把铲子” -> 正确。
    • 回答中没有出现与图像明显冲突的事实。
  • 模拟评分 :5分(所有视觉事实描述准确)。
4.2 维度二:完整性(Completeness)评估
  • 人类评估思路 :
    • 问题问了“做什么”和“用什么工具”。
    • 回答涵盖了“玩沙”(做什么)和“铲子”(工具之一)。
    • 但是,图像中明确存在的“蓝色的铲子”(颜色属性)、“红色的水桶”(另一个工具)被完全忽略了。回答过于简略。
  • 模拟评分 :3分(描述了主要物体,但忽略重要细节)。
4.3 维度三:幻觉(Hallucination)评估
  • 人类评估思路 :
    • 图像背景是“公园”,而回答说是“沙滩”。这是一个典型的上下文幻觉(Contextual Hallucination),将“沙坑”错误地联想为“沙滩”。
  • 模拟评分 :3分(有少量无关推测/错误联想)。
4.4 综合分析与诊断

通过这个模拟评估,我们可以得出以下结论:

  • 该模型的基本物体识别和动作识别能力尚可 (正确性得分高)。
  • 但模型存在显著缺陷 :
    1. 观察不够细致 :无法捕捉颜色等属性,也容易遗漏次要物体(完整性差)。
    2. 容易产生基于常识的过度联想 :看到“沙”就联想到“沙滩”,而忽略了图像中明确的公园背景(幻觉问题)。

这个诊断结果对于模型优化极具价值 。开发者可以针对性地增加包含细微属性和复杂背景的训练数据,并引入抑制幻觉的优化算法。

5. PerceptionRubrics的优势与带来的变革

与传统评估方法相比,PerceptionRubrics带来了根本性的变革:

  1. 评估结果更可靠 :因为它更贴近人类的判断方式,能有效区分“真聪明”和“假高分”的模型。
  2. 提供可操作的诊断信息 :多维度的评分就像一份详细的“体检报告”,直接指出模型的强项和短板,指导后续的研发方向。
  3. 促进评估标准的统一 :公开的量规使得不同研究团队之间的模型比较有了共同且透明的话语体系,减少了评估的随意性。
  4. 推动模型能力边界的探索 :通过设计针对高级认知能力(如复杂推理、因果判断)的量规,可以引导多模态模型向更高的智能水平发展。

6. 常见问题(FAQ)与深入思考

Q1:PerceptionRubrics本身依赖一个评估模型,如何保证这个评估模型的公正性和准确性? A1:这是一个核心问题。解决方案包括:

  • 高质量的人类标注 :投入足够资源确保训练数据的质量。
  • 评估模型的评估 :可以用另一批人类标注数据来检验评估模型的表现,计算其与人类评分的一致性(如Kappa系数)。
  • 多模型共识 :可以训练多个不同的评估模型,取其综合结果,减少单个模型的偏差。

Q2:对于工业界应用,部署一套PerceptionRubrics的成本是否很高? A2:初始成本确实存在,主要体现在制定量规和获取人类评分数据上。但这是一次性投入。一旦自动化评估管道建成,其长期收益(如更快的迭代周期、更精准的模型选型)将远高于成本。对于中小团队,可以从简化版的量规开始,或利用学术界已公开的量规和数据集。

Q3:PerceptionRubrics主要适用于哪种类型的多模态任务? A3:它尤其适合 开放式生成任务 ,如视觉描述(Image Captioning)、视觉问答(VQA)、视觉推理等。对于封闭式的分类任务,传统准确率指标依然简单有效。

Q4:量规的制定是否具有主观性? A4:是的,量规的制定本身是一门艺术,需要领域专家共同讨论决定。但通过迭代修订和交互验证(Inter-annotator Agreement),可以将其主观性降到最低,保证其有效性和可靠性。

7. 总结与最佳实践建议

PerceptionRubrics代表了一种更科学、更人性化的多模态评估范式。它不仅是学术研究的有力工具,也为工业界模型的质量保障提供了关键支持。

对于希望在实践中应用或借鉴其思想的开发者,建议遵循以下路径:

  1. 从小处着手 :不要试图一开始就制定一个完美无缺的量规。针对你的核心业务场景,先定义1-3个最关键的评价维度。
  2. 重视数据质量 :用于训练评估模型的人类评分数据是成功的基石。确保评估员经过良好培训,评分标准一致。
  3. 迭代优化 :将PerceptionRubrics集成到你的模型开发流水线中。根据评估结果优化模型,再用新的模型输出来检验和修正你的量规,形成一个闭环。
  4. 保持开放 :关注学术界的最新进展,积极借鉴成熟的量规设计和评估方法。

通过采用PerceptionRubrics这样的精细评估框架,我们能够更好地理解模型的真实能力,推动多模态人工智能朝着更可靠、更实用的方向发展。

Android 新闻客户端 Android 新闻客户端 仿照智慧北京框架和手机卫士的一些功能进行设计的包括服务端和客户端 两者进行交互,项目导入了外部的一些类库,例如,极光推送,科大讯飞等。 [注意:本资源来自网络,如有侵权,请联系我删除,谢谢。] 立即下载

相关推荐

android考勤系统 代码

源代码

Android巴士倒闭了吗

做Android开发的小伙伴们,应该有听说Android巴士这个网站吧,当年Android开发很火的时,这个网站流量很大,很多人在上面发帖回答问题之类,本人还冲了点钱用于下载源码。 一转眼五年过去了,这个网站越来越少人气,偶尔登录看下,没看到什么值得看的东西,有着也是管理员活跃一下帖子。今天忽然想起这个网络,想登录看看,忽然发现官网打不开了。 然后稍微搜索了一下,发现官网域名在拍卖。 看起来,像是倒闭了,一时间不胜唏嘘。 互联网行业也是残酷,技术日新月异,现在还能用还能火的东西,谁知道过两年会不会.

楠之枫雪的博客 4917

Android巴士源代码

非常适合新手开发的小应用,希望大家可以喜欢,里面有各式各样的软件应用

安卓巴士Android开发者门户

一、开源库 1.SimpleRatingBar 简单好用的ratingbar 2.NumberRain Android自定义控件仿黑客帝国数字雨 3.CacheWebView 突破系统WebView缓存的空间限制的WebView 4.luckly_popup_window Android开发使用PupopWindow在指定View的上下左右动态显示菜...

weixin_33672400的博客 488

安卓巴士开发者大会现场PPT(2018)

安卓巴士开发者大会现场PPT(2018),

Databricks Genie:语义编译器架构与企业级智能解析实践

语义层是现代数据平台实现自然语言查询的核心基础,其本质是将业务术语映射为可执行、可治理的数据契约。原理上依赖结构化元数据、值字典与数据血缘三支柱协同,通过分层AI代理(如Intent Parsing、Retriever、Verifier)实现意图识别→语义对齐→安全执行的闭环。技术价值在于降低SQL使用门槛的同时保障审计性、一致性和权限可控性,适用于销售运营、财务分析等一线业务场景。本文深入解析Databricks Genie作为典型语义编译器的落地逻辑,涵盖Unity Catalog知识注入、七层Agen

weixin_29053695的博客 338

安卓巴士论坛

点击打开链接

u014497039的专栏 1183

el-upload自定义上传dwg/dxf文件并且携带额外参数(CAD)

需求:需要使用el-upload自定义上传cad的图片或普通图片,这边需要判断区分下,以及上传后清空上传文件列表。

请叫我欧皇!的博客 1537

安卓巴士

http://blog.youkuaiyun.com/apkbus/article/details/7870106 ------------------------------------标题: ----------------------------------------------------- 推荐一系列优秀的Android开发源码 ----------------------...

fancychendong的专栏 350

第7.1章:StarRocks性能调优——查询分析

第7.1章:StarRocks性能调优——查询分析

爱吃辣条的博客 6477

Superpowers:可编程AI协作协议与Skill工程化实践

AI编程正从提示词驱动迈向工程化协作新范式。Superpowers并非传统代码补全工具,而是一套定义清晰、可版本控制、可调试复用的AI协作协议——它将AI能力抽象为带输入校验、执行管道、输出契约和元数据声明的Skill(类DSL构件),再通过状态驱动的Workflow编排实现跨平台、可熔断、含人工Checkpoint的自动化流水线。其核心价值在于解决AI生成代码长期存在的不可复现、不可审计、不可交接三大痛点,支撑OpenAPI转TS、Figma转Vue等高复用场景落地。本文深入解析Skill设计四重契约与P

weixin_31124163的博客 379

安卓巴士开发者 - http://www.apkbus.com

安卓巴士开发者 - http://www.apkbus.com

martian6125 's blog! 2188

《QGIS快速入门与应用基础》【专栏完整目录】

《QGIS快速入门与应用基础》第一卷专栏完整目录,覆盖 001–328 全部篇目与附录,逐篇可跳转。

LuckyHanMo的博客 1306

安卓巴士Android开发神贴整理

10个经典的Android开源应用项目 http://www.apkbus.com/android-13519-1-1.html 安卓巴士总结了近百个Android优秀开源项目,覆盖Android开发的每个领域 http://www.apkbus.com/android-17627-1-1.html 一个demo让你掌握Android的各种Service: http://

无风的海洋的专栏 820

第 13 章:Spring AI Alibaba MCP 与 Nacos3 — 企业级MCP服务

理解Spring AI Alibaba 框架下的MCP服务与Nacos注册中心整合的必要性,学会Spring AI Alibaba-基于Nacos的MCP实现方法

paopao_wu的专栏 789

tsmc12: m0po max length问题(H384.M0_PO.L.1)

手动调整可以挪cell,制造上下两个row相对的至少一个site的空间,通过插普通filler来解决,这里需要注意的是,tsmc12有via0的规则,需要让via0落在via0 grid上。在pt eco之后会有一些m0po max length问题出现,大部分问题都可以通过替换decap来解决,少部分由于局部density过高,需要手动调整。更多学习内容请关注「拾陆楼」知识星球。#ICC2中替换decap的参考脚本。

m0_61544122的博客 792

getviewtype()实现recyclerview分组

直接进入主题,要实现的效果如下图: 使用的是recyclerview的分组,getviewtype()方法返回不同布局。 listview实现就是listview嵌套gridview,把每个分组当成一个listview的一个item,想象就很麻烦,接下来用recycler来实现这个效果。 首先recyclerview的基本用法要会,这里我就不想说recyclerview的基本用法了不太了...

caobin_study的博客 6058

[Python图像处理] 二.OpenCV+Numpy库读取与修改像素

该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助,如果有不足之处,还请海涵~ 同时推荐作者的C++图像系列知识: [数字图像处理] 一.MFC详解显示BMP格式图片 [数字图像处理] 二.MFC单文档分...

杨秀璋的专栏 3万+

Android Studio 主题、字体大小的设置

学习Android Studio中碰到的问题,总结至此:1、 Android Studio 主题的设置: 设置Android Studio 自带的主题 设置第三方主题 2、 Android Studio 字体的设置 设置左面包名的字体大小 设置右面代码编辑界面字体大小 1.1 设置Android Studio 自带的主题及包名字体大小: 1.2 导入第三方主题: http://www.ide

ZhangGeng's Blog 10万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

产品读书《YES,产品经理》

随着奥运会的进行,手机新闻变得异常火热。人们在茶余饭后总会点开新闻看看中国队的赛程赛果,奖牌榜等信息。手机新闻能满足用户碎片化利用时间的需求,然而当前新闻客户端市场竞争激烈。根据艾媒咨询的数据显示:在2016上半年,腾讯新闻、今日头条分别以42.8%、32.6%的占比领跑新闻客户端活跃用户分布,围绕用户争夺的营销战在2016下半年将持续上演。为了深入了解手机新闻产品,本文就腾讯新闻,网易新闻...

女王の专属领地 2131

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Lambda Expressions(Lambda表达式)

有没有想过,如果匿名类非常简单,比方说一个接口只有一个方法,实现这个接口的匿名类表达方式就显得很别扭。 而且,往往在这种情况下,你是把一个匿名类作为参数传给另外一个方法的, 因为匿名类是实现接口完成功能的, 也就是说你要把一个功能作为参数传给另外一个方法。 就好比,点击一个按钮要完成特定的功能这种情况。 Lambda表达式能帮助你简化这些,它可以把功能当作参数, 把代码调用当成数据在不同的地方传输。

newsonglin的专栏 3252

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Android实战简单新闻客户端(1)---主界面设计

模仿实例地址:SimpleNews前言这是github开源项目,原项目有四个模块。我这里之模仿其中 一个(新闻)。学会MD开发和MVP架构。主页布局:这里主要使用了toolbar和DrawerLayout实现导航条以及侧滑的效果。 当然为了填充侧滑栏,又使用了NavigationView这个控件。toolbar和DrawerLayout我已经在前面的博客文章介绍过了: android–UI—

HURUWO的技术博客 1万+
上一篇: Cesium 自定义材质性能对比:Canvas渐变纹理 vs GLSL着色器实现
下一篇: Intel/Xilinx FPGA PCIe IP 核实战配置:基于 Vivado 2023.2 的 4 步集成与仿真
lvwenwenjava
博客等级 码龄15年 53粉丝 726原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值