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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08