Rsbuild v1.3.1 版本发布:CSS 预处理器优化与稳定性提升
项目简介
Rsbuild 是一个现代化的前端构建工具,基于 Rspack 构建引擎,旨在为开发者提供高性能、易配置的构建体验。它继承了 Webpack 生态系统的丰富功能,同时通过 Rust 实现的底层引擎大幅提升了构建速度。
版本亮点
本次发布的 v1.3.1 版本主要聚焦于 CSS 预处理器的兼容性改进和整体稳定性的提升,是一个重要的维护性更新。
核心改进
CSS 预处理器兼容性增强
开发团队对 Sass、Less 等 CSS 预处理器的插件进行了重要优化:
-
向后兼容性:特别针对从 Rsbuild 1.2 版本升级的用户,确保了 CSS 预处理器插件的平滑过渡,避免了因版本升级导致的构建中断问题。
-
内联规则优化:改进了 CSS 预处理器中对内联规则的处理逻辑,使得在样式文件中直接引入其他样式资源时(如通过
@import语句),构建过程更加可靠和高效。
模块加载机制修复
解决了在特定情况下 jiti 模块加载器无法正确识别 @rspack/core 的问题。这一改进确保了构建工具核心依赖的可靠加载,特别是在一些自定义配置或非标准环境下。
文档完善
本次更新同步完善了相关文档:
- 详细说明了
server.compress配置项的使用场景和效果,帮助开发者更好地理解服务器端压缩功能 - 在迁移指南中新增了关于
cacheDir配置项的说明,方便用户从旧版本迁移时正确配置缓存目录 - 修复了环境文件相关文档的锚点链接问题,提升了文档的可用性
构建系统优化
开发团队也对内部构建流程进行了多项改进:
- 简化了 rslib 的配置,移除了不再使用的插件,使构建过程更加清晰高效
- 针对测试用例进行了多项稳定性修复,特别是解决了懒编译和文件监听相关的偶发问题
- 清理了仅适用于 Webpack 的测试用例,使测试套件更加专注于 Rsbuild 的核心功能
技术细节
对于前端开发者而言,值得注意的技术细节包括:
-
CSS 预处理器的内联规则处理:现在能够更智能地处理样式文件中的内联资源引用,减少了因路径问题导致的构建错误。
-
模块加载策略:通过确保 jiti 使用原生 require 方式加载核心模块,提高了工具在各种环境下的稳定性。
-
测试覆盖率:通过修复多个偶发性的测试用例问题,进一步提升了构建工具的可靠性。
升级建议
对于正在使用 Rsbuild 1.3.0 或更早版本的项目,特别是那些重度依赖 CSS 预处理器的项目,建议尽快升级到 1.3.1 版本以获得更好的兼容性和稳定性。升级过程通常只需更新 package.json 中的版本号并重新安装依赖即可。
对于从 1.2 版本升级的用户,可以参考更新后的迁移指南,特别注意 cacheDir 配置项的相关变更。
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