Mit BentoPDF 1.0.0 steht ab sofort ein neues Open-Source-Werkzeug für die PDF-Verarbeitung bereit. Besonderen Wert legen die Entwickler auf eine lokale Datenverarbeitung ohne Cloud-Anbindung. Das erste Major Release bringt zahlreiche Funktionen für professionelle Workflows mit.

Zu den wichtigsten Updates gehört die Posterize-Funktion, die große PDFs in mehrere kleinere Dokumente für Posterdrucke aufteilt. Die Linearize-Funktion optimiert PDFs für schnelles Web-Viewing durch progressive Ladeoptimierung. Hinzu kommen Bulk-Operationen: Mehrere PDFs lassen sich gleichzeitig komprimieren oder in einzelne Seiten zerlegen.

Das Tool entfernt automatisch leere Seiten aus Dokumenten und bietet einen Interleave-Merge-Modus, bei dem mehrere PDFs verzahnt zusammengeführt werden – praktisch etwa beim Scannen von Vorder- und Rückseiten. Zudem können Dateien als Anhänge direkt in PDFs eingebettet werden.

Verbesserte OCR und Performance-Optimierungen

Zudem haben die Entwickler seit der Betaphase die OCR-Funktionen grundlegend überarbeitet. Hier sind Whitelist-Zeichensätze für präzisere Texterkennung neu hinzugekommen. Die Performance bei Split-, Merge- und Komprimierungsvorgängen hat das Projekt optimiert und den Speicherverbrauch bei Bulk-Operationen reduziert.

Für die Bereitstellung stehen verschiedene Docker-Konfigurationen bereit, die sich sowohl für Entwicklungsumgebungen als auch für Produktivbetrieb eignen. Die überarbeitete Docker-Compose-Konfiguration soll die Einrichtung von BentoPDF erleichtern. Nutzer von Unraid finden ein vorgefertigtes Template für die Integration in ihre Infrastruktur.

Das Projekt steht auf GitHub zur Verfügung, wo interessierte Nutzer ebenfalls eine vollständige Liste der unterstützten Features finden. Die vollständigen technischen Details und Installationsanleitungen finden sich in der Projektdokumentation.

(fo)

Das Servo-Projekt hat mit Version 0.0.1 erstmals ein offiziell getaggtes Release der Rust-basierten Browser-Engine veröffentlicht. Allerdings betont das Entwicklerteam, dass es sich dabei im Wesentlichen um einen Nightly-Build vom 19. Oktober 2025 handelt, der zusätzlichen manuellen Tests unterzogen wurde.

Die Rust-Engine

Servo ist eine quelloffene Web-Rendering-Engine, die ursprünglich von Mozilla initiiert wurde und heute unter dem Dach der Linux Foundation Europe weiterentwickelt wird. Die Engine setzt konsequent auf die Programmiersprache Rust und zielt darauf ab, Web-Technologien in verschiedene Anwendungen einbettbar zu machen. Seit dem überraschenden Comeback 2023 arbeitet das Projekt kontinuierlich an der Verbesserung der Kompatibilität mit aktuellen Web-Anwendungen.

Die aktuelle Version 0.0.1 bringt keine grundlegend neuen Funktionen im Vergleich zu den bisherigen Nightly-Builds. Der Hauptunterschied liegt im Release-Prozess selbst: Das Team führt ab sofort zusätzliche manuelle Tests durch, bevor eine Version offiziell getaggt wird. Künftig soll monatlich ein so getesteter Release erscheinen, um Nutzern einen zuverlässigeren Referenzpunkt als die täglichen Nightly-Builds zu bieten.

Eine technische Neuerung gibt es dennoch: Erstmals stellt das Projekt vorkompilierte Binaries für ARM-basierte Macs bereit. Damit erweitert Servo seine Plattformunterstützung, die neben den Desktop-Systemen macOS (x86-64 und ARM), Linux und Windows auch die mobilen Plattformen Android und OpenHarmony umfasst. Die Downloads umfassen servoshell, einen einfachen Demo-Browser, der die Rendering-Fähigkeiten der Engine demonstriert.

Kein klassischer Software-Release

Das Servo-Team verfolgt mit seinen Releases einen unkonventionellen Ansatz. Es gibt derzeit keine Pläne, die Versionen zum Beispiel auf Crates.io oder in plattformspezifischen App-Stores zu veröffentlichen. Stattdessen beschränkt sich die Distribution auf getaggte Releases auf GitHub. Damit wollen die Entwickler den noch experimentellen Charakter des Projekts deutlich machen, das sich aktuell primär an Entwickler richtet, die Web-Rendering in eigene Anwendungen integrieren möchten. Dafür bietet Servo eine dedizierte WebView API, die sich aktuell noch im Aufbau befindet. Für Endanwender ist Servo noch nicht gedacht.

Dennoch hat Servo in den vergangenen Monaten deutliche Fortschritte bei der Web-Kompatibilität gemacht. Seit Mai kann die Engine zum Beispiel komplexe Webanwendungen wie Gmail darstellen. Die Unterstützung für moderne Web-Standards wie CSS-Nesting, Shadow DOM und verschiedene Web-APIs haben die Entwickler kontinuierlich ausgebaut. Allerdings befinden sich viele dieser Funktionen noch im experimentellen Stadium und müssen über spezielle Optionen aktiviert werden.

Monatlicher Release-Rhythmus geplant

Für die Zukunft plant das Servo-Team, im monatlichen Rhythmus neue getaggte Versionen zu veröffentlichen. Der Prozess soll dabei relativ simpel bleiben: Ein aktueller Nightly-Build wird ausgewählt, manuell getestet und bei erfolgreicher Validierung als offizieller Release markiert. Die Servo-Website bietet einen Troubleshooting-Guide für häufige Probleme.

Alle Informationen zum Release 0.0.1 finden sich im Blog. Die Binaries stehen ab sofort auf GitHub zum Download bereit.

(fo)

Apple hat ein neues Machine-Learning-Modell zur Vorhersage von Softwarefehlern vorgestellt. Wie der iPhone-Hersteller auf seiner Blogseite zur Machine-Learning-Forschung mitteilt, kombiniert das als ADE-QVAET bezeichnete System verschiedene KI-Techniken und erreichte in Tests eine Genauigkeit von 98,08 Prozent. Das Modell könnte die Qualitätssicherung in der Softwareentwicklung erheblich verbessern.

Entwickelt haben ADE-QVAET die Apple-Forscher Seshu Barma, Mohanakrishnan Hariharan und Satish Arvapalli. Die Abkürzung steht für Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model. Das System soll bestehende Probleme bei der automatischen Fehlererkennung lösen.

Mehrere Ansätze kombiniert

Die Besonderheit des Systems liegt in der Kombination mehrerer fortschrittlicher Machine-Learning-Ansätze: Der Quantum Variational Autoencoder (QVAE) ist auf Mustererkennung in den Daten spezialisiert, die Transformer-Komponente kann Code-Zusammenhänge verstehen und die Adaptive Differential Evolution (ADE) dient zur automatischen Optimierung während des Lernens.

In praktischen Tests zeigte ADE-QVAET gute Ergebnisse: Bei einem Trainingsanteil von 90 Prozent erreichte das Modell eine Genauigkeit von 98,08 Prozent, eine Präzision von 92,45 Prozent, einen Recall-Wert von 94,67 Prozent und einen F1-Score von 98,12 Prozent. Diese Werte liegen deutlich über denen herkömmlicher Differential-Evolution-Modelle, die Apple zum Vergleich heranzog.

Quantencomputing-Ansätze für klassische Hardware

Das ADE-QVAET-Modell nutzt einen Trick: Es verwendet Ideen aus der Quantencomputer-Forschung, läuft aber auf klassischen Computern. Dadurch kann es Muster in Daten besser erkennen. Die Transformer-Architektur, die ursprünglich für die Verarbeitung natürlicher Sprache entwickelt wurde, kann Abhängigkeiten über längere Code-Sequenzen hinweg erfassen. Auf diese Weise kann sie typische Fehlermuster erkennen, die bei isolierter Betrachtung einzelner Code-Zeilen leicht zu übersehen sind.

Für Softwareentwickler und Qualitätssicherungsteams könnte ADE-QVAET erhebliche Effizienzgewinne bringen. Normalerweise erfordert die Fehlersuche in großen Codebases viel manuelle Arbeit und Expertise. Ein KI-System, das potenzielle Fehlerquellen mit hoher Genauigkeit identifiziert, würde es Entwicklern ermöglichen, ihre Ressourcen gezielter einzusetzen und kritische Probleme frühzeitig zu erkennen.

Integration in Xcode noch ungewiss

Ob und wann Apples Forschung aber in die Entwicklungsumgebung Xcode einfließt, ist noch unklar. Bislang hat sich Apple dazu nicht geäußert. Die Veröffentlichung als Research-Paper deutet jedoch darauf hin, dass Apple aktiv an der Verbesserung von Entwicklerwerkzeugen durch Machine Learning arbeitet.

Trotz der guten Ergebnisse bleiben Herausforderungen bestehen. Laut Apple Research kämpfen ML-Modelle trotz der Fortschritte durch das ADE-QVAET-Modell weiterhin mit verschiedenen Datentypen und der Generalisierung auf unbekannte Codebases. Vereinfacht gesagt: Das Modell wird unsicher, wenn es Code analysieren soll, der ganz anders aufgebaut ist, als es dies von seinen Trainingsdaten kennt. Aus diesem Grund komme es darauf an, dass die KI mit qualitativ hochwertigen Daten trainiert wird.

(mki)