Rspack v1.3.6 版本发布:性能优化与新特性解析
Rspack 是一个基于 Rust 构建的高性能 JavaScript 打包工具,它结合了 Webpack 的生态系统和 Rust 的高效性能。作为 Webpack 的替代方案,Rspack 在构建速度上有着显著优势,同时保持了与 Webpack 生态的良好兼容性。本次发布的 v1.3.6 版本带来了一系列性能优化、新功能和错误修复,进一步提升了开发体验和构建效率。
性能优化亮点
本次版本在性能优化方面做了多项改进,这些优化将直接提升开发者的构建体验:
-
自定义 Rslib 压缩选项:针对
@rspack/core进行了专门的 Rslib 压缩配置优化,减少了构建产物体积。 -
哈希计算优化:通过避免哈希计算过程中的堆分配操作,提升了哈希计算的效率,这对于大型项目的构建尤其有利。
-
静态变量处理:改进了静态变量的处理方式,减少了不必要的计算开销。
-
依赖项精简:移除了
json-parse-even-better-errors依赖,简化了依赖树,同时减少了模块加载时间。 -
版本定义优化:通过定义 Rspack 版本为静态变量,减少了 require 调用次数,提升了模块加载速度。
这些优化措施共同作用,使得 Rspack 在构建速度和资源消耗方面都有了可观的提升,特别是在大型项目中效果更为明显。
重要新特性
v1.3.6 版本引入了多项实用新功能:
-
Rsdoctor 增强:模块对象新增了 issuerPath 属性,为开发者提供了更清晰的模块依赖关系视图,便于分析和调试构建问题。
-
持久化缓存改进:现在默认会保存文件哈希到持久化缓存快照中,提高了增量构建的准确性。
-
Asset 信息支持 Symbol 键:为资源信息处理提供了更灵活的键类型支持,增强了扩展性。
-
SVG 分块插件支持:新增了对 svg-chunk-webpack-plugin 的支持,为 SVG 资源处理提供了更多可能性。
-
SWC 加载器增强:支持 emitAssertForImportAttributes 配置,为模块导入提供了更严格的类型检查能力。
-
LightningCSS 警告改进:优化了 LightningCSS 压缩过程中的警告信息,使开发者能更清晰地了解潜在问题。
关键错误修复
本次版本修复了多个影响稳定性和功能完整性的问题:
-
增量构建改进:修复了块 ID 变更对关联块的影响问题,确保了增量构建的准确性。
-
WebAssembly 运行时:修复了异步运行时和线程工作者的关闭问题,提高了 WASM 模块的稳定性。
-
模块重命名问题:解决了
__webpack_require__在特定情况下的重命名问题,确保了模块系统的正确性。 -
并行加载器兼容性:修复了使用并行加载器时 tinypool 解析失败的问题。
-
热更新冲突:解决了热更新主内容冲突警告问题,提升了开发体验。
-
模块引用清理:确保在构建完成后正确清理模块的 napi_ref,防止内存泄漏。
-
上下文依赖解析:修复了复杂 require 情况下的上下文依赖解析问题。
-
模块入口依赖:修正了模块入口依赖的解析选项处理,确保了依赖解析的正确性。
这些修复显著提升了 Rspack 的稳定性和可靠性,特别是在复杂项目场景下的表现。
文档与开发者体验改进
除了核心功能的改进外,v1.3.6 版本还关注了文档质量和开发者体验:
-
Rsdoctor 分析指南:增强了 Rsdoctor 工具的分析文档,帮助开发者更好地利用这一诊断工具。
-
LightningCSS 错误恢复:详细记录了错误恢复选项的使用方法。
-
性能分析文档:重写了性能分析相关文档,提供了更清晰的指导。
-
配置项文档:新增了
optimization.removeAvailableModules配置的说明文档。
这些文档改进使得开发者能够更轻松地上手和使用 Rspack 的各项功能。
总结
Rspack v1.3.6 版本在性能、功能和稳定性方面都做出了显著改进。通过持续的优化和新特性的引入,Rspack 正在逐步巩固其作为现代化 JavaScript 构建工具的地位。对于已经使用 Rspack 的项目,升级到 v1.3.6 将获得更好的构建性能和更稳定的开发体验;对于考虑采用 Rspack 的团队,这个版本提供了更多值得尝试的理由。
随着 Rspack 生态的不断完善和性能的持续优化,它正成为 Webpack 生态中一个强有力的替代选择,特别适合对构建速度有较高要求的大型项目。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-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