CSSWG-Drafts项目:解析media-progress()函数中的媒体特性参数问题
在CSS Values and Units Module Level 5规范讨论稿中,media-progress()函数的设计引发了一个值得探讨的语法问题。这个函数允许开发者根据媒体查询的状态获取一个介于0到1之间的进度值,但在其参数定义上存在需要澄清的地方。
当前规范的问题
根据现有规范,media-progress()函数接受一个<media-feature>作为参数。然而,<media-feature>的语法定义过于宽泛,它实际上包含了三种可能的语法形式:
- 普通媒体特性(
<mf-plain>) - 布尔型媒体特性(
<mf-boolean>) - 范围型媒体特性(
<mf-range>)
这意味着理论上可以传入像"width > 0"、"orientation: portrait"这样复杂的媒体查询表达式,而不仅仅是简单的特性名称。这与函数的设计初衷和实际测试用例明显不符。
正确的参数类型
从实际应用和测试案例来看,media-progress()函数应该只接受单个媒体特性名称作为参数,而不是完整的媒体查询表达式。因此,参数类型应该使用更精确的<mf-name>而非<media-feature>。
<mf-name>专门用于表示媒体特性的名称部分,如"width"、"height"等,这正是media-progress()函数所需要的。这种修改将使规范与实现保持一致,避免潜在的混淆和误用。
技术背景与考量
媒体查询进度函数的设计目的是为了获取某个特定媒体特性在当前环境下的相对进度值。例如,在响应式设计中,开发者可能想知道当前视口宽度相对于某个范围的完成度。
这种功能只需要知道具体的特性名称(如"width")即可,不需要复杂的查询逻辑。规范中虽然提到"必须是有效的'range'类型查询",但这一限制在语法层面并未明确体现。
规范改进建议
为了使规范更加清晰准确,建议进行以下修改:
- 将media-progress()的参数类型从
<media-feature>改为<mf-name> - 明确说明该函数只接受可量化的范围型媒体特性
- 在示例中展示正确的用法,如
media-progress(width)而非复杂的查询表达式
这种修改不仅能使规范更加精确,还能帮助开发者更直观地理解和使用这一功能,避免因参数类型过于宽泛而导致的误用问题。
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-1.5暂无简介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-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