Vanilla Extract Vite 插件 v5.0.0 重大更新解析
Vanilla Extract 是一个流行的 CSS-in-JS 解决方案,它允许开发者使用 TypeScript 编写样式,并通过编译生成静态 CSS 文件。其 Vite 插件 @vanilla-extract/vite-plugin 近日发布了 5.0.0 版本,带来了一些重要的变更和改进。
主要变更内容
插件命名规范化
新版本将插件名称从 "vanilla-extract" 变更为更符合 Vite 插件命名惯例的 "vite-plugin-vanilla-extract"。这一变更使得插件更容易被识别为 Vite 生态的一部分,同时也遵循了 Vite 官方的插件命名规范。
Vite 版本支持调整
5.0.0 版本更新了 Vite 的 peer 依赖范围,现在要求至少使用 Vite 5.0.0 或 6.0.0 版本。这意味着 Vite 4 及以下版本将不再受支持。这一变更是为了确保插件能够充分利用 Vite 最新版本的特性和性能优化。
插件转发机制重构
这是一个重要的架构变更。在之前的版本中,除了少数已知不兼容的插件外,所有用户配置的 Vite 插件都会被自动转发到 Vanilla Extract 编译器。这种做法在实践中带来了不少问题,因为许多框架特定的插件或处理构建输出的插件实际上并不适用于 Vanilla Extract 的编译过程,有时甚至会导致问题。
新版本默认只转发 vite-tsconfig-paths 插件,这是一个已知兼容且常用的插件。对于需要转发其他插件的特殊情况,开发者现在可以通过 unstable_pluginFilter 选项进行自定义配置:
vanillaExtractPlugin({
unstable_pluginFilter: ({ name, mode }) =>
plugin.name === 'vite-plugin-foo'
})
需要注意的是,当使用自定义插件过滤器时,vite-tsconfig-paths 插件也不再默认转发,需要显式包含在过滤条件中。这个 API 目前标记为不稳定,意味着在未来版本中可能会有调整。
升级建议
对于现有项目,升级到 5.0.0 版本需要注意以下几点:
- 确保项目使用的 Vite 版本至少为 5.0.0
- 检查是否有依赖特定插件转发的场景,必要时配置 unstable_pluginFilter
- 更新构建配置中引用插件的方式,使用新的命名规范
这些变更总体上提高了插件的稳定性和可预测性,减少了因插件转发导致的各种边缘情况问题。对于大多数项目来说,升级应该是相对平滑的,特别是那些没有使用复杂插件配置的项目。
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-1.5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