TinyBase v6.2.0 版本发布:模块化增强与底层功能开放
TinyBase 是一个轻量级的 JavaScript 状态管理库,专注于提供高效、灵活的数据存储和管理解决方案。它采用了模块化设计,允许开发者按需引入所需功能,从而保持应用的轻量化。最新发布的 v6.2.0 版本在模块化架构和底层功能开放方面做出了重要改进。
全新 omni 模块
v6.2.0 版本引入了一个全新的 omni 模块,这是 TinyBase 生态系统中的一个重要补充。这个模块可以理解为 TinyBase 的"全集"模块,它包含了所有 tinybase/* 子模块的功能,包括核心存储、各种持久化方案、同步器以及 UI 组件等。
使用这个模块非常简单:
import {createStore, createSqliteBunPersister} from 'tinybase/omni';
需要注意的是,虽然 omni 模块提供了"一站式"的便利,但开发者应该确保项目使用了高效的 tree-shaking 打包工具。这样才能确保最终打包时只包含实际使用的功能模块,避免引入不必要的代码增加包体积。
模式(schema)导入优化
本次更新对模块的导出方式进行了优化,特别是针对带模式(schema)和不带模式的模块导入。现在,无论是导入 /with-schema 版本还是普通版本,最终都会解析到同一个 JavaScript 文件。这一改进显著减少了同时使用模式和非模式版本的应用的包体积。
底层功能开放
v6.2.0 版本开放了一些原本属于内部实现的功能,这些功能对于需要构建自定义持久化方案或同步器的开发者特别有用。
混合逻辑时钟(HLC)功能
common 模块(以及 tinybase 主模块)现在公开了 getHlcFunctions 函数。这个函数返回一组七个用于创建和操作 HLC(混合逻辑时钟)时间戳的函数:
import {getHlcFunctions} from 'tinybase';
const [getNextHlc, seenHlc, encodeHlc] = getHlcFunctions();
HLC 是一种结合了物理时钟和逻辑时钟的机制,在分布式系统中特别有用,可以解决事件排序和冲突检测的问题。TinyBase 内部使用 HLC 来处理数据同步时的时序问题。
哈希功能
新版本还提供了一系列用于哈希计算的函数,这些函数与 TinyBase 内部 MergeableStore 实现兼容。包括 getHash 和 getCellHash 等函数,它们可以帮助开发者以与 TinyBase 内部一致的方式计算表格数据和键值数据的哈希值。
这些功能虽然属于高级用法,但对于需要构建自定义同步或持久化方案的开发者来说非常有用,可以确保时间戳和哈希计算方式与 TinyBase 内部实现保持一致。
类型定义调整
为了更好的组织代码,本次更新将一些较少使用的类型定义(如 GetNow 和 Hash)从 mergeable-store 模块移动到了 common 模块中。这种调整使得类型定义的组织更加合理,便于开发者查找和使用。
总结
TinyBase v6.2.0 通过引入 omni 模块和优化模块导出方式,进一步提升了模块化架构的灵活性和效率。同时,通过开放 HLC 和哈希计算等底层功能,为高级用户提供了更多自定义的可能性。这些改进使得 TinyBase 在保持轻量级特性的同时,能够满足更复杂场景下的需求。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08