Hilla 24.7.0.beta1 版本发布:全栈开发框架的重要更新
Hilla 是一个现代化的全栈开发框架,它结合了 Spring Boot 后端和 React 前端,为开发者提供了高效、一致的开发体验。Hilla 通过自动生成 TypeScript 类型定义和客户端 API,简化了前后端交互的复杂性,让开发者能够专注于业务逻辑的实现。
行为变更:Spring 集成优化
本次版本中,Hilla 对浏览器可调用服务(@BrowserCallable 和 @Endpoint)的发现机制进行了重要改进。现在完全依赖 Spring 框架来发现这些服务类,而不是使用独立的类路径扫描机制。
这一变化带来了几个关键影响:
- 只有被 Spring 管理的 Bean 才能作为浏览器可调用服务
- 自定义 Hilla 插件类路径配置的支持已被移除
- 简化了构建配置,消除了重复的类路径规范
对于开发者来说,这意味着如果你的浏览器可调用服务定义在依赖或其他包中,必须确保它们被包含在 Spring 的组件扫描范围内。
新特性亮点
文件上传支持
Hilla 现在原生支持文件上传功能。在后端可以使用 Spring 的 MultipartFile 类型作为参数,前端则对应使用 TypeScript 的 File 类型。这一特性简化了文件上传功能的实现,开发者不再需要手动处理复杂的文件传输逻辑。
空值注解标准化
框架现在全面支持 Spring 和 JSpecify 标准的 @Nullable 和 @NonNull 注解,同时废弃了 Hilla 自有的空值注解。这一变化使得 Hilla 更好地与 Java 生态系统集成,减少了开发者需要学习的新概念。
对于 Kotlin 开发者,Gradle 插件现在会自动添加编译器参数来支持这些空值注解和验证注解,进一步提升了开发体验。
响应式编程增强
Hilla 改进了响应式编程的支持:
- 新增了
mute调用选项,允许绕过内置的进度指示器 - 为
onError响应式订阅回调添加了错误消息参数 - 简化了 JSON 处理,不再要求同时存在
@JsonValue和@JsonCreator注解
全栈信号(实验性功能)
在实验性的全栈信号功能中,现在客户端默认值的提供变为可选。这一变化使得信号的使用更加灵活,适应更多场景需求。
AutoCrud 改进
AutoCrud 组件现在更加智能:
- 网格和 CRUD 服务会尊重 Spring 的最大分页大小限制
- 支持移除新建按钮,满足只读场景的需求
数据绑定增强
数据绑定功能得到了显著提升:
- 新增
useGridDataProvider钩子,简化了 Grid 组件与服务连接的逻辑 - 新增
useComboBoxDataProvider钩子,为 ComboBox 组件提供了类似的支持 - 改进了日期组件的表单验证反馈,对不可解析的输入提供了更好的用户体验
总结
Hilla 24.7.0.beta1 版本带来了多项重要改进和新特性,进一步提升了全栈开发的效率和体验。从文件上传支持到空值注解标准化,从响应式编程增强到数据绑定优化,这些变化都体现了 Hilla 框架对开发者需求的深入理解和持续创新。
对于正在使用或考虑使用 Hilla 的开发者来说,这个预发布版本值得尝试,特别是那些需要文件上传功能或希望简化前后端交互复杂性的项目。
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