QuickJS-NG v0.10.0 版本发布:性能优化与新特性解析
QuickJS-NG 是基于 Fabrice Bellard 原版 QuickJS 项目的一个现代化分支,专注于提供轻量级、高性能的 JavaScript 引擎实现。该项目以其小巧的体积、完整的 ES2020 支持以及出色的执行效率而闻名,特别适合嵌入式系统和资源受限环境。
核心改进与优化
1. 全新的 BigInt 实现
v0.10.0 版本带来了全新的 BigInt 实现,采用了 32 位 limbs 结构。这一改进显著提升了 BigInt 运算的性能,特别是在处理大整数运算时。新的实现不仅优化了内存使用,还提高了计算效率,使得需要大整数运算的应用场景(如加密算法)能够获得更好的性能表现。
2. 内存管理优化
本次版本修复了多个内存泄漏问题,包括:
- WeakMap 实现中的内存泄漏
- 生成器函数中的引用计数泄漏
- 字符串填充操作中的内存泄漏
- hash_map_resize() 函数的优化
这些修复使得引擎在长时间运行时更加稳定,特别是在处理复杂对象关系和大量字符串操作时。
3. Windows ARM64 支持
新增了对 Windows ARM64 架构的官方支持,这意味着 QuickJS-NG 现在可以原生运行在基于 ARM 架构的 Windows 设备上,如 Surface Pro X 等设备。这一变化扩展了 QuickJS-NG 的应用场景,使其能够在更多类型的硬件平台上运行。
新特性介绍
1. Array.fromAsync 方法
v0.10.0 实现了 Array.fromAsync 方法,这是 JavaScript 最新的异步数组操作方法。它允许开发者从异步可迭代对象创建数组,简化了异步数据处理的流程。这个特性对于处理流式数据或异步数据源特别有用。
2. Promise Hooks
新增的 Promise Hooks 功能为开发者提供了对 Promise 生命周期的细粒度控制能力。通过这个特性,开发者可以:
- 追踪 Promise 的创建
- 监控 Promise 的状态变化
- 捕获未处理的 Promise 异常
这对于调试异步代码和实现高级的异步控制流非常有帮助。
3. 解析器优化与构建选项
本次版本引入了"parserless"构建模式,允许在不需要完整 JavaScript 解析功能的情况下构建更精简的引擎版本。这对于只需要执行预编译代码的环境特别有用,可以进一步减小引擎的体积。
性能提升
除了 BigInt 的优化外,v0.10.0 还包含多项性能改进:
- 使用了 xsum 小型累加器优化校验和计算
- 优化了自动初始化分派表,使其变为只读
- 改进了 DataView 在缓冲区调整大小时的长度更新机制
这些优化使得引擎在各种场景下的执行效率都有所提升。
兼容性与稳定性
v0.10.0 修复了多个边界情况下的问题:
- 修复了日期解析中超过9个连续数字的问题
- 修复了输入损坏时的OOB读取问题
- 改进了 Windows 平台上的 Worker 支持
- 更新了 WASI SDK 以提供更好的 WebAssembly 支持
开发者工具改进
qjsc 编译器新增了 -C 标志,允许将代码编译为经典脚本而非模块。这为需要传统脚本加载方式的场景提供了更好的支持。
总结
QuickJS-NG v0.10.0 版本在性能、内存管理和功能完整性方面都做出了显著改进。新加入的 Array.fromAsync 和 Promise Hooks 等特性使其与现代 JavaScript 生态保持同步,而底层的优化则进一步提升了引擎的执行效率。这些改进使得 QuickJS-NG 成为嵌入式 JavaScript 引擎中更具竞争力的选择,特别适合需要高性能和小体积的场景。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00