Rspack v1.2.8 版本发布:内存优化与WASM编译支持
Rspack 是一个基于 Rust 的高性能前端构建工具,它结合了 Webpack 的生态优势和 Rust 语言的性能优势,旨在为现代前端开发提供更快的构建体验。在最新发布的 v1.2.8 版本中,Rspack 团队带来了多项重要改进,特别是在内存优化和 WebAssembly 支持方面取得了显著进展。
内存消耗优化
在 v1.2.8 版本中,Rspack 团队将 Mimalloc 内存分配器升级到了 v3 版本,专门针对 macOS 平台进行了优化。这一改进显著降低了重建过程中的内存消耗。根据用户实测数据,与 v1.2.7 相比,新版本在内存使用上实现了约 10% 的提升。
测试数据显示,在初始编译和 10 次热模块替换(HMR)后,v1.2.8 的内存使用量稳定在 3.66GB 到 3.72GB 之间,相比 v1.2.7 的 3.93GB 到 4.18GB 有了明显改善。这种内存优化对于大型项目尤为重要,能够显著提升开发体验,特别是在资源受限的开发环境中。
WebAssembly 编译支持
v1.2.8 版本新增了对 WebAssembly 模块的编译支持。这意味着开发者现在可以直接在 Rspack 项目中导入和使用 WASM 模块,无需额外的构建步骤或插件。这一特性为前端应用带来了更强大的计算能力,使得在浏览器中运行高性能代码成为可能。
其他重要改进
-
模块信息头插件:新增的模块信息头插件为开发者提供了更详细的模块构建信息,有助于调试和优化构建过程。
-
JSON 解析错误诊断:改进了 JSON 文件解析错误的诊断信息,当遇到 JSON 解析问题时,开发者将获得更清晰、更有帮助的错误提示。
-
版本哈希增强:增强了版本哈希功能,现在支持目录构建依赖,提高了构建缓存的准确性。
-
入口点 API 扩展:新增了
entrypoint.getEntrypointChunk()API,为开发者提供了更多控制入口点相关操作的能力。 -
HTML 插件改进:修复了 HTML 插件中
innerHTML内容未被正确包含在渲染资源标签中的问题。
开发者体验优化
除了核心功能的改进,v1.2.8 还包含多项提升开发者体验的优化:
- 改进了 CLI 工具的
preview命令,支持nodeEnv标志和默认环境设置 - 在项目创建模板中添加了
preview脚本并移除了cross-env依赖 - 修复了多个与模块解析和构建相关的问题
- 优化了测试运行策略,现在可以并行运行更多测试用例,提高了开发效率
总结
Rspack v1.2.8 版本在性能、功能和开发者体验方面都带来了显著提升。特别是内存优化的改进,使得在资源受限环境下的开发体验更加流畅。WebAssembly 支持的加入则为项目开启了新的可能性,让前端应用能够处理更复杂的计算任务。这些改进进一步巩固了 Rspack 作为现代前端构建工具的地位,为开发者提供了更高效、更强大的构建体验。
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