Rspack v1.3.3 版本发布:优化Wasm性能与修复关键问题
Rspack是一个基于Rust构建的高性能Web打包工具,它结合了Webpack的灵活性和Rust的高效性,为现代前端开发提供了更快的构建速度和更好的开发体验。该项目由web-infra-dev团队维护,旨在为开发者提供更高效的构建工具链。
核心特性更新
Wasm性能优化
本次版本中,开发团队对Wasm运行时的性能进行了重要优化。通过限制Tokio的max_blocking_threads参数为1,显著提升了Wasm环境下的执行效率。这一改动特别针对在浏览器环境中运行的场景,避免了不必要的线程资源消耗,使得Rspack在Wasm模式下能够更加高效地执行构建任务。
Tokio是Rust生态中广受欢迎的异步运行时库,而max_blocking_threads参数控制着阻塞操作使用的最大线程数。在Wasm环境下,由于线程模型的限制,过多的阻塞线程反而会导致性能下降。开发团队通过精细调整这一参数,找到了性能与资源消耗的最佳平衡点。
关键问题修复
工作线程参数处理
修复了工作线程(worker)参数未正确遍历的问题。在之前的版本中,某些传递给工作线程的参数可能无法被正确处理,导致构建过程中出现意外行为。这一修复确保了所有传递给工作线程的参数都能被正确识别和处理,提高了构建的可靠性。
Node.js版本兼容性
解决了tinypool依赖在较旧Node.js版本上无法运行的问题。Rspack团队始终重视工具的向后兼容性,这一修复确保了使用较旧Node.js版本的开发者也能顺利使用Rspack,而无需强制升级Node.js环境。
运行时全局变量注入
修复了在runtimeRequirementInTree中注入自定义运行时全局变量时的问题。这一改进使得开发者能够更灵活地控制运行时的全局变量注入行为,为复杂项目的构建提供了更多可能性。
现代模块解析
对现代模块解析逻辑进行了优化,现在当遇到不存在的依赖时,会正确地抛出解析错误而不是静默失败。这一改变使得构建过程中的问题能够更早地被发现,提高了开发者的调试效率。
开发者体验改进
文档更新
本次更新包含了多项文档改进,特别是修复了DevServer创建时参数使用的错误说明,并完善了Next.js集成指南。清晰的文档对于开发者快速上手和解决问题至关重要,Rspack团队持续投入资源确保文档的准确性和完整性。
依赖升级
项目维护团队定期更新各类依赖,包括:
- 将React Refresh插件升级至1.1.0版本
- 更新TypeScript类型定义
- 升级测试工具链(Vitest至3.1.1,ts-jest至29.3.1)
- 将Less预处理器升级至4.3.0版本
这些依赖更新不仅带来了新功能,也修复了已知的安全问题和性能缺陷。
代码质量提升
开发团队移除了未使用的AsDependency trait,简化了代码结构。这种持续的代码优化有助于降低维护成本,提高项目的长期可持续性。
总结
Rspack v1.3.3版本虽然在功能上没有重大新增,但在性能优化、问题修复和开发者体验方面做出了诸多改进。特别是对Wasm运行时的优化,展示了Rspack团队对性能极致追求的承诺。对于现有用户来说,升级到这个版本将获得更稳定的构建体验和更好的性能表现。
随着前端工程化复杂度的不断提升,构建工具的性能和可靠性变得越来越重要。Rspack通过结合Rust的高效性和Webpack的生态优势,正在成为现代前端开发的有力选择。这个版本的发布再次证明了项目团队对产品质量和开发者体验的重视。
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