Copy Webpack Plugin v13.0.0 发布:更轻量的依赖与性能优化
Copy Webpack Plugin 是 Webpack 生态中一个非常实用的插件,它能够将文件或目录从指定位置复制到构建输出目录中。这个插件在前端构建过程中经常被用于处理静态资源、配置文件等需要原样输出的内容。
重大变更:从 globby/fast-glob 迁移到 tinyglobby
本次 v13.0.0 版本最核心的变化是内部依赖的调整。开发团队决定从原先使用的 globby 和 fast-glob 迁移到更轻量的 tinyglobby 库。
变更背景
globby 和 fast-glob 都是 Node.js 生态中非常流行的文件模式匹配库,它们提供了强大的 glob 模式匹配功能。然而,这些库的功能对于 Copy Webpack Plugin 来说可能有些"过重",包含了插件并不需要的额外功能。
tinyglobby 是一个更轻量级的替代方案,它保留了核心的 glob 匹配功能,同时减少了不必要的依赖和代码体积。这种优化对于构建工具来说尤为重要,因为更小的依赖意味着更快的安装速度和更少的潜在问题。
迁移影响
这一变更主要影响那些在 globOptions 配置中使用了 gitignore 和 ignoreFiles 选项的开发者。在新版本中,这些选项已被移除,开发者需要迁移到 tinyglobby 提供的 ignore 选项。
迁移建议
如果你之前使用了类似这样的配置:
{
globOptions: {
gitignore: true,
ignoreFiles: ['.eslintignore']
}
}
现在应该改为:
{
globOptions: {
ignore: ['**/.git/**', '**/.eslintignore']
}
}
其他改进
并发限制优化
v13.0.0 还对并发处理进行了优化。现在,concurrency 选项将只限制文件操作的并发数量,而不是整个处理流程的并发。这意味着插件在处理大量文件时能够更有效地利用系统资源,提高构建速度。
模式顺序保持
新版本还修复了一个关于模式顺序的问题。现在,插件会严格遵循开发者提供的模式顺序来处理文件。这在某些特殊场景下非常重要,比如当文件匹配多个模式时,处理顺序可能会影响最终结果。
升级建议
对于大多数用户来说,这次升级应该是相对平滑的,除非你确实使用了被移除的 globOptions 选项。升级时建议:
- 检查项目中是否使用了 gitignore 或 ignoreFiles 选项,如有则按照上述建议进行修改
- 测试构建过程,特别是涉及复杂文件匹配的场景
- 关注构建性能,新的 tinyglobby 依赖可能会带来轻微的性能提升
这次变更体现了 Webpack 生态持续优化的趋势,通过精简依赖和优化核心功能,为开发者提供更高效、更可靠的构建体验。
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