Hilla 24.7.0 版本发布:全面升级的全栈开发体验
Hilla 是一个现代化的全栈开发框架,它无缝连接了 Java 后端和 TypeScript 前端,让开发者能够高效构建企业级 Web 应用。最新发布的 Hilla 24.7.0 版本带来了一系列重要改进和新特性,显著提升了开发体验和功能完整性。
核心架构改进
本次版本最显著的架构变化是改进了 TypeScript 生成的机制。Hilla 现在完全依赖 Spring 框架来发现 @BrowserCallable 和 @Endpoint 注解的类,取代了之前独立的类路径扫描机制。这一变化带来了几个重要优势:
- 简化配置:不再需要维护两套类路径配置(Spring 和 Hilla 各一套),减少了配置复杂性
- 提高可靠性:完全依赖 Spring 的成熟机制,减少了潜在的兼容性问题
- 性能优化:移除了额外的构建工具执行步骤,加快了构建速度
开发者需要注意,现在所有浏览器可调用的服务都必须是 Spring 管理的 Bean。如果服务定义在依赖或其他包中,必须确保它们被包含在 Spring 的组件扫描范围内。
文件上传支持
Hilla 24.7.0 新增了对文件上传的原生支持。开发者现在可以:
- 在 Java 后端使用
MultipartFile作为参数类型 - 在前端 TypeScript 代码中使用
File类型作为对应参数 - 轻松实现文件上传功能而无需处理底层细节
这一特性大大简化了文件处理相关功能的开发流程,让开发者能够更专注于业务逻辑的实现。
注解支持增强
在类型安全和空值处理方面,Hilla 24.7.0 做了重要改进:
- 标准化注解支持:新增对 Spring 和 JSpecify 标准
@Nullable和@NonNull注解的支持 - 注解迁移:Hilla 原有的空值注解被标记为废弃,建议迁移到标准注解
- Kotlin 支持:Gradle 插件现在会自动添加编译器参数以支持 Kotlin 中的空值性和验证注解
这些改进使得代码更加标准化,提高了与其他 Java 生态系统的互操作性。
数据绑定与UI集成
Hilla 24.7.0 在数据绑定和UI组件集成方面做了多项增强:
-
专用钩子函数:
useGridDataProvider:简化 Grid 组件与服务端的连接useComboBoxDataProvider:优化 ComboBox 与后端数据的集成
-
表单验证改进:
- 为日期组件提供了更好的非可解析输入验证反馈
- 增强了整体表单验证的用户体验
-
AutoCrud 增强:
- 自动遵守 Spring 的最大分页大小限制
- 支持移除新建按钮的配置选项
这些改进使得前端组件与后端服务的集成更加无缝,减少了样板代码,提高了开发效率。
响应式编程增强
在响应式编程方面,Hilla 24.7.0 引入了几个实用功能:
- 静默调用选项:新增
mute调用选项,允许绕过内置的进度指示器 - 错误处理增强:
onError响应式订阅回调现在支持错误消息参数 - 实验性支持:客户端默认值现在变为可选参数,提供了更大的灵活性
这些改进使得异步编程更加灵活和强大,能够更好地处理各种边缘情况。
总结
Hilla 24.7.0 是一个功能丰富的版本,它在架构简化、功能增强和开发者体验方面都做出了重要改进。从文件上传支持到标准化注解,从数据绑定优化到响应式编程增强,这些变化共同提升了 Hilla 作为全栈开发框架的成熟度和实用性。
对于现有项目,建议评估这些变化对代码的影响,特别是关于类路径扫描和空值注解的变更。新项目则可以充分利用这些新特性,构建更加健壮和高效的 Web 应用。
随着 Hilla 框架的持续演进,它为 Java 和 TypeScript 全栈开发提供了越来越完善的支持,是企业级应用开发的强大选择。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00