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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00