Web Platform Tests项目中的CSS inert属性与样式计算优化
Web Platform Tests(简称WPT)是一个用于测试Web平台功能的开源项目,它为浏览器厂商和Web开发者提供了标准化的测试套件。最近该项目合并了一个关于CSS inert属性与样式计算优化的提交,这个改动涉及浏览器如何处理元素的交互性状态。
CSS inert属性简介
CSS inert属性是Web平台中控制元素交互性的重要属性。当元素被设置为inert时,该元素及其子元素将不会响应用户交互事件,如点击或键盘输入。这一特性对于构建无障碍Web应用特别重要,可以确保某些元素在特定状态下不会被意外激活。
样式计算中的inert处理问题
在之前的实现中,浏览器在计算样式时可能会多次调用AdjustComputedStyle函数来处理inert状态。当元素的基样式(base style)设置了interactivity:inert属性时,系统会保留这个"粘性"inert标志,即使在应用动画效果时也不重置。这种行为在某些情况下会导致样式计算不准确,特别是当动画试图改变元素交互状态时。
技术优化方案
为了解决这个问题,开发团队对样式计算流程进行了以下关键改进:
-
将inert状态位的设置移到了样式解析的最后阶段,确保系统能够基于最终的interactivity属性值做出决定。
-
引入了一个独立的标志位来区分CSS设置的inert状态和HTML设置的inert状态。这种分离设计保留了无障碍开发工具(AX devtools)中显示原因信息的能力。
-
优化了样式计算流程,确保动画效果能够正确覆盖基样式中的inert设置。
实现细节与考量
这项改进的核心在于正确处理样式计算过程中不同来源的inert状态。CSS和HTML都可以设置元素的inert状态,但它们的优先级和处理方式需要区分:
- CSS inert:通过interactivity属性设置,可以被动画覆盖
- HTML inert:通过元素属性设置,具有更高的优先级
通过将inert状态位的设置推迟到样式解析的最后阶段,浏览器现在能够更准确地反映元素的最终交互状态。这种改变特别有利于使用CSS动画来动态控制元素交互性的场景。
对Web开发的影响
这项优化对Web开发者意味着:
-
更可靠的交互状态控制:开发者可以更精确地通过CSS控制元素的交互性,特别是在使用动画时。
-
更好的无障碍支持:保持HTML inert和CSS inert的区分,使得无障碍工具能够更准确地报告元素不可交互的原因。
-
性能优化:减少不必要的样式重新计算,提高页面渲染效率。
总结
Web Platform Tests项目中的这一改进展示了Web平台持续优化的过程。通过精细控制样式计算流程中inert状态的处理,浏览器现在能够更准确地反映开发者的意图,特别是在动态交互场景下。这种底层优化虽然对大多数开发者不可见,但却为构建更可靠、更易用的Web应用提供了坚实的基础。
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