Rspack v1.3.11 版本发布:性能优化与新特性解析
Rspack 是一个基于 Rust 的高性能 JavaScript 构建工具,它结合了 Webpack 的丰富功能和 Rust 语言的性能优势。作为现代前端构建工具链中的重要一员,Rspack 致力于提供更快的构建速度和更好的开发体验。本次发布的 v1.3.11 版本带来了一系列性能优化、新功能和错误修复,进一步提升了工具的稳定性和可用性。
性能优化亮点
在 v1.3.11 版本中,Rspack 团队对性能进行了两处重要优化:
-
UTF-8 验证优化:当 JavaScript 加载器返回字符串时,现在会跳过不必要的 UTF-8 验证步骤。这一优化减少了字符串处理的开销,特别是在处理大量模块时效果更为明显。
-
并行作用域标识扫描:对于连接模块(concate module)的作用域标识扫描现在采用了并行处理方式。这种并行化改造充分利用了现代多核 CPU 的计算能力,显著提升了大型项目中模块处理的效率。
值得关注的新特性
本次更新引入了多个实用新功能,扩展了 Rspack 的能力边界:
-
JS API 增强:现在通过 JavaScript API 可以访问构建信息中的 assets 数据,为开发者提供了更丰富的构建时信息获取能力。同时,编译错误(compilation.errors)现在支持索引访问,使得错误处理更加灵活。
-
浏览器目标支持:编译器构建器现在支持通过 browserslist 配置作为目标环境,使得开发者可以更方便地定义项目需要支持的浏览器范围,与前端生态中的其他工具保持一致性。
-
完整 EvalSourceMapDevToolPlugin 选项:EvalSourceMapDevToolPlugin 现在支持完整的配置选项,为开发者提供了更细致的 source map 生成控制能力。
-
CSS 代码分割:新增的 CssChunkingPlugin 实现了 CSS 资源的代码分割功能,使得 CSS 也能像 JavaScript 一样按需加载,优化了页面加载性能。
-
性能追踪增强:核心模块增加了对 JavaScript 插件的追踪能力,帮助开发者更好地分析和优化构建过程中的性能瓶颈。
重要问题修复
v1.3.11 版本修复了多个影响稳定性和功能完整性的问题:
-
模块系统修复:
- 修复了相对 HTTP 导入失败的问题
- 解决了 AMD 解析插件多次替换 define 插件值的问题
- 修正了动态导入 JSON 时默认名称处理不正确的情况
- 修复了跨渲染清单和内容哈希的模块顺序不一致问题
-
WASM 相关改进:
- 避免了跨线程传递文件描述符(fd)
- 解码 SharedArrayBuffer 时正确复制数据到 ArrayBuffer
-
作用域分析增强:
- 改进了内部图赋值分析
- 修复了内部图块作用域处理
- 解决了获取引用导出时解构属性丢失的问题
-
资源处理修正:
- 修复了 CSS 导入的资源不应生成 JS 模块的问题
- 解决了空唯一名称时的 CSS 本地标识名称问题
- 修正了 CopyRspackPlugin 转换函数的处理
-
路径处理改进:
- 修复了以斜杠开头的入口运行时块格式化问题
- 修正了动态导入缺失时的警告发出机制
文档与开发者体验改进
除了代码层面的改进,本次更新还对文档和开发者体验进行了多项优化:
-
新增了树摇优化(tree shaking)前提条件和纯注解的说明文档,帮助开发者更好地利用这一优化技术。
-
为 Rule 条件添加了示例,使得配置规则更加清晰易懂。
-
简化了 optimization.sideEffects 选项的描述,使其更易于理解。
-
更新了内置 SWC 加载器的文档,移除了不再使用的 useBuiltins 配置说明。
-
新增了 Compilation 和 Compiler 对象的介绍文档,帮助开发者更好地理解 Rspack 的核心概念。
总结
Rspack v1.3.11 版本在性能、功能和稳定性方面都做出了显著改进。通过持续的优化和新特性的引入,Rspack 正在逐步成为一个更加成熟和完善的前端构建工具。对于现有用户来说,升级到这个版本将获得更好的构建性能和更丰富的功能支持;对于新用户而言,现在正是评估和采用 Rspack 的良好时机。随着 Rust 在前端工具链中的不断普及,Rspack 有望在未来扮演更加重要的角色。
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