Prebid.js 9.47.0版本发布:广告竞价生态的重要更新
Prebid.js项目简介
Prebid.js是一个开源的头部竞价解决方案,广泛应用于数字广告领域。它允许发布商在广告服务器调用之前,同时向多个需求方平台(DSP)发起竞价请求,从而最大化广告收益。作为行业标准工具,Prebid.js通过模块化架构支持各种广告格式和交易模式,包括显示广告、视频广告和原生广告等。
9.47.0版本核心更新内容
新增适配器支持
本次版本引入了全新的Nativery Bid Adapter,为开发者提供了对接Nativery广告平台的能力。这个新增的适配器扩展了Prebid.js的生态系统,使发布商能够接入更多样化的广告需求来源。
核心功能优化
在用户身份识别方面,本次更新进行了重要调整:将用户eids(外部身份标识)从user.eids迁移至user.ext.eids位置。这一变更遵循了OpenRTB协议的最新规范,确保了与其他广告技术组件的更好兼容性。同时,UID1 Eids模块现在支持inserter和matcher功能,为用户身份匹配提供了更灵活的配置选项。
性能与稳定性提升
针对PBS(Prebid Server)适配器,修复了tmax参数必须为整数的关键问题,避免了因参数类型错误导致的竞价异常。Conversant适配器移除了对废弃的bidRequest.userid属性的依赖,使代码更加健壮。Kargo适配器则解决了Safari 15.6浏览器中存储模拟导致的错误问题。
测试与构建流程改进
开发团队对测试框架进行了多项优化:
- 删除了过时的Nightwatch测试工具
- 更新了端到端测试的日志配色方案
- 修复了Bliink适配器的间歇性测试失败问题
- 解决了Aduntius适配器在Safari 15.6上的测试失败问题
构建系统方面也进行了现代化改造:
- 移除了gulp-sourcemaps等过时依赖
- 用plugin-error和fancy-log替代了废弃的gutil
- 优化了覆盖率计算流程,现在只需单次执行即可完成
- 升级了Babel运行时插件并将其移至devDependencies
代码质量提升
本次发布清理了多个模块中不必要的polyfill导入,包括:
- 移除了find、findIndex和includes等现代JavaScript已原生支持方法的polyfill
- 删除了es5-shim等不再需要的兼容层
- Xe工具库移除了findIndex polyfill
- Advangelist工具库移除了includes polyfill
这些清理工作减小了最终打包体积,提升了运行时性能。
其他重要改进
- 捷克广告ID模块增加了ID格式验证,确保数据质量
- Cwire适配器现在会在竞价负载中包含网络带宽信息
- Mediasquare适配器支持ORTB协议和userIdAsEids
- Pubmatic适配器增加了前次竞价信息支持
- Blue BMS适配器将共享代码提取到工具类中,提高了代码复用性
- Adverxo适配器现在允许adUnitId为字符串类型,提高了灵活性
技术影响分析
9.47.0版本虽然是一个常规更新,但在几个关键方面为Prebid.js生态系统带来了实质性改进:
-
协议兼容性增强:通过将eids移至标准位置和遵循最新OpenRTB规范,确保了与其他广告技术栈的无缝集成。
-
性能优化:polyfill的移除和构建流程的现代化,将显著减小打包体积并提升运行时效率,特别有利于移动端用户。
-
测试可靠性提升:针对不同浏览器环境的测试修复,特别是Safari兼容性问题,将提高整体解决方案的稳定性。
-
开发者体验改善:构建工具的更新和共享代码的提取,使自定义开发和适配器开发更加高效。
这些改进共同推动了Prebid.js作为开源头部竞价解决方案的成熟度和可靠性,为数字广告生态的健康发展提供了坚实的技术基础。
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