Choices.js v11.0.6版本发布:选择控件库的重要修复与行为调整
项目简介
Choices.js是一个轻量级、可配置的选择框/下拉列表库,它提供了比原生HTML <select>元素更强大的功能和更美观的UI。该项目特别适合需要多选、搜索过滤、自定义模板等高级功能的场景。作为原生select元素的替代方案,Choices.js在现代Web应用中得到了广泛应用。
版本核心变更
重大行为变更
v11.0.6版本对setChoices和clearChoices方法的行为进行了重要调整,主要涉及当使用replaceChoices: true参数时选择项与新选项的结合方式。这一变更是为了使其行为更符合v10.2.0和v11.0.3版本的预期表现。
开发者需要注意,现在当使用replaceChoices: true时,系统会:
- 先清除当前所有选项
- 然后添加新提供的选项
- 最后恢复之前被选中的项(如果这些项在新选项列表中存在)
如果希望避免选项重复的问题,可以考虑以下两种解决方案:
- 使用配置选项
duplicateItemsAllowed: false - 使用
setChoices方法新增的第6个参数replaceItems:true
关键错误修复
本次版本修复了两个重要的回归问题:
-
选择项设置与清除相关修复:解决了
setChoices和clearChoices方法在某些场景下表现不符合预期的问题。这些问题可能导致选项列表更新不正确或选择状态异常。 -
鼠标事件处理调整:回滚了"不在项目上阻止默认事件以支持拖拽"的变更。这一调整修复了在某些情况下鼠标交互可能出现的问题,恢复了更稳定的用户交互体验。
技术实现细节
选择项管理优化
在内部实现上,Choices.js现在更智能地处理选项替换场景。当开发者调用setChoices并指定replaceChoices: true时,系统会执行以下逻辑流程:
- 记录当前被选中的项
- 完全清除现有选项列表
- 添加新提供的选项集合
- 遍历之前记录的被选项,如果它们存在于新选项中,则恢复其选中状态
这种处理方式确保了在完全替换选项内容的同时,不会意外丢失用户之前做出的选择。
测试覆盖增强
为了确保这些变更的稳定性,开发团队增加了多项端到端测试:
- 下拉行为测试:验证在鼠标按下/点击项目时的下拉列表行为是否符合预期
- 选择项操作测试:针对多种
setChoices和clearChoices操作组合的场景进行测试
这些测试用例的加入大大提高了核心功能的可靠性,减少了未来可能出现的回归问题。
升级建议
对于正在使用Choices.js的项目,升级到v11.0.6版本时需要注意:
-
如果项目中大量使用了
setChoices和clearChoices方法,特别是配合replaceChoices: true参数的情况,建议在测试环境中先验证现有功能是否受到影响。 -
对于需要拖拽功能的场景,升级后应特别测试相关交互是否正常工作,因为鼠标事件处理有所调整。
-
如果遇到选项重复的问题,可以考虑采用新提供的
duplicateItemsAllowed: false配置或replaceItems:true参数来解决。
总体而言,v11.0.6版本通过修复关键问题和优化核心行为,为开发者提供了更稳定可靠的选择控件解决方案。这些改进使得Choices.js在处理动态选项更新和用户交互方面表现更加出色。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust023
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00