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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00