GridStack.js v11.4.0 版本发布:拖拽优化与框架适配升级
GridStack.js 是一个流行的开源网格布局库,它允许开发者创建可拖拽、可调整大小的响应式网格布局。该库广泛应用于仪表盘、内容管理系统等需要灵活布局的场景。最新发布的 v11.4.0 版本带来了一系列重要的改进和修复,特别是在拖拽功能优化和前端框架适配方面有了显著提升。
核心改进与修复
1. 现代化鼠标事件处理
本次更新中,团队移除了过时的 initMouseEvent 方法,转而采用标准的 MouseEvent 构造函数,并添加了 composed: true 参数。这一改进不仅使代码更加现代化,还提升了事件在隔离DOM中的兼容性,为复杂前端架构提供了更好的支持。
2. 自定义拖拽手柄与懒加载兼容性修复
解决了自定义拖拽手柄与懒加载功能冲突的问题。在之前的版本中,当同时使用自定义拖拽手柄和懒加载时,拖拽功能可能会失效。这一修复使得开发者可以更灵活地控制拖拽行为,同时保持性能优化。
3. Angular 循环依赖问题解决
针对 Angular 框架用户,修复了可能出现的循环依赖问题。这一改进使得 GridStack 在 Angular 应用中运行更加稳定,减少了潜在的性能问题和构建错误。
4. 隔离DOM拖拽优化
解决了在隔离DOM环境中拖拽元素时可能出现的重复附加问题。这一修复确保了在 Web Components 或使用隔离DOM的现代前端架构中,拖拽行为能够正确执行,元素能够被准确地重新定位。
5. 最小宽度限制修复
修正了当设置的最小宽度(minW)大于列数时可能导致的问题。现在,当开发者设置的 minW 值超过网格总列数时,系统会进行合理处理,避免布局错误或异常行为。
新增功能
公开 prepareDragDrop 方法
新增了一个重要的公共 API:prepareDragDrop(el)。这个功能原本是内部使用的 _prepareDragDropByNode(n) 方法,现在公开后,使得 Angular、React 等框架可以更灵活地控制拖拽初始化时机。
这一改进特别有用,因为在某些框架中,网格项的内容元素是在外部网格项 div 创建之后才添加的。现在开发者可以明确地在内容加载完成后调用此方法,确保拖拽功能正确初始化。
潜在的重大变更
虽然影响范围可能不大,但需要注意的一个变化是:Util.createWidgetDivs() 方法已移至 grid.createWidgetDivs()。这一调整主要是为了解决循环依赖问题,开发者如果直接使用了这个工具方法,需要相应更新代码。
技术价值与影响
v11.4.0 版本的这些改进,从多个维度提升了 GridStack.js 的稳定性和可用性:
-
现代化代码基础:通过采用标准事件构造函数,项目保持了与现代浏览器特性的兼容性,为未来的功能扩展奠定了基础。
-
框架友好性增强:特别是对 Angular 和 React 等现代前端框架的适配改进,使得 GridStack 能够更好地融入现代前端开发工作流。
-
复杂场景支持:隔离DOM和懒加载等功能的优化,使得 GridStack 能够在更复杂的应用场景中稳定工作,满足企业级应用的需求。
-
API 设计合理化:将内部方法公开为正式 API,反映了项目对开发者实际需求的响应,提供了更灵活的集成方式。
对于正在使用或考虑采用 GridStack.js 的开发者来说,v11.4.0 版本是一个值得升级的稳定版本,特别是在需要与现代前端框架深度集成或使用高级拖拽功能的场景下。
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