pnpm v10 将统一脚本命令的执行行为
在 Node.js 生态系统中,pnpm 作为一款高效的包管理工具,其脚本执行机制一直是开发者关注的焦点。近期 pnpm 团队宣布将在 v10 版本中对脚本命令的执行行为进行重要调整,这一改动将显著提升开发者体验。
当前行为的问题
目前 pnpm 中存在一个特殊现象:当用户在 package.json 中定义了名为 "test" 的脚本时,直接运行 pnpm test 会执行 pnpm 内置的测试命令,而非 package.json 中定义的脚本。要执行自定义测试脚本,开发者必须显式使用 pnpm run test 命令。
这种不一致性源于 pnpm 对某些命令(如 test、install 等)的特殊处理。虽然文档明确说明这种设计是为了避免与现有 pnpm 命令冲突,但实际开发中,许多开发者习惯省略 "run" 直接执行脚本,这就导致了预期行为与实际行为的不匹配。
v10 版本的改进
在即将发布的 pnpm v10 中,团队决定进行以下重要调整:
- 移除内置的
test命令的特殊处理 - 确保所有 package.json 脚本都能通过直接命令形式执行
- 保持与 npm/yarn 更一致的行为模式
这意味着在 v10 中,pnpm test 将直接执行 package.json 中定义的测试脚本,而不需要强制使用 pnpm run test。这一改动虽然属于破坏性变更,但将显著提升命令执行的一致性和可预测性。
技术背景与影响
这种改进实际上是将 pnpm 的脚本执行机制向更符合开发者直觉的方向发展。在 Node.js 生态中,开发者已经习惯了 npm 和 yarn 的脚本执行方式,其中所有 package.json 脚本都能通过直接命令形式调用。
此次变更后,pnpm 将:
- 减少开发者认知负担
- 降低从其他包管理器迁移的成本
- 提供更统一的跨项目开发体验
值得注意的是,这种变更属于重大版本更新,意味着现有 CI/CD 流程或脚本中如果依赖了 pnpm 内置的 test 命令功能,需要进行相应调整。
总结
pnpm v10 对脚本执行行为的统一处理,体现了该项目对开发者体验的持续优化。这一改动虽然简单,但能显著减少日常开发中的摩擦点,使 pnpm 在保持高性能的同时,提供更加符合直觉的使用体验。对于正在评估包管理工具的团队来说,这无疑增加了 pnpm 的吸引力。
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