RSBuild 1.3.0-beta.0 版本发布:构建工具的重大更新
RSBuild 是一个基于 Rspack 的现代前端构建工具,它提供了开箱即用的配置和优化能力,旨在简化前端项目的构建流程。作为 Rspack 生态中的重要一环,RSBuild 通过提供更友好的开发者体验和更高效的构建性能,正在成为越来越多前端开发者的选择。
核心特性更新
Rspack 1.3.0-beta.0 集成
本次版本最重要的更新是将底层构建引擎 Rspack 升级到了 1.3.0-beta.0 版本。Rspack 作为基于 Rust 的高性能构建工具,此次升级带来了多项性能优化和新特性支持。开发者可以期待更快的构建速度和更稳定的构建过程。
动态导入完整性支持
新增了对动态导入模块的完整性检查功能(Subresource Integrity,简称 SRI)。这项安全特性可以为动态加载的 JavaScript 模块生成哈希值,确保这些模块在传输过程中没有被篡改。对于重视安全性的企业级应用来说,这是一个重要的增强。
重要问题修复
缓存目录配置问题
修复了 buildCache.cacheDirectory 配置项不生效的问题。缓存机制是构建工具性能优化的关键,正确的缓存配置可以显著减少重复构建的时间。这个修复确保了开发者可以按照预期配置构建缓存的位置。
复制配置合并问题
解决了当复制配置类型不同时,配置合并不正确的问题。RSBuild 提供了文件复制功能,用于将静态资源从源目录复制到输出目录。这个修复确保了无论开发者使用哪种格式的配置(数组或对象),都能正确合并多个配置来源。
错误覆盖层优化
改进了错误覆盖层的实现,避免了多个错误覆盖实例同时存在的问题。在开发过程中,当代码出现错误时,RSBuild 会在浏览器中显示错误信息。这个优化使得错误展示更加清晰和稳定。
开发者体验改进
Preact 插件升级
将 Preact 插件的 SWC 插件版本升级到了 v7。SWC 是一个基于 Rust 的快速转译工具,新版本带来了更好的兼容性和性能。使用 Preact 框架的开发者将从中受益。
环境变量加载优化
文档中新增了 loadEnv 选项的说明,开发者现在可以更灵活地控制环境变量的加载行为。这对于需要区分不同环境配置的项目特别有用。
构建安全增强
除了前面提到的动态导入完整性支持外,本次更新还包含了一系列类型安全检查的改进。通过增加 null 检查等方式,提升了代码的健壮性,减少了潜在的类型相关错误。
文档与示例完善
文档方面进行了全面更新,包括:
- 新增了服务器关闭方法的示例
- 完善了内联静态资产的相关说明
- 更新了生态系统架构图
- 增加了获取额外模板的信息
这些文档改进使得新用户能够更快上手 RSBuild,同时也为有经验的开发者提供了更全面的参考。
测试覆盖增强
测试套件中新增了多个端到端测试用例,特别是针对缓存目录配置和动态导入完整性功能的测试。全面的测试覆盖确保了这些功能的稳定性和可靠性。
总结
RSBuild 1.3.0-beta.0 版本带来了多项重要更新,从底层构建引擎的升级到开发者体验的优化,再到安全特性的增强,都体现了项目团队对构建工具质量和性能的不懈追求。对于正在使用或考虑采用 RSBuild 的团队来说,这个版本值得关注和试用。
作为 beta 版本,建议开发者在非生产环境中先行体验这些新特性,待稳定版发布后再应用到正式项目。随着 Rspack 生态的持续发展,RSBuild 有望成为现代前端工程化的重要选择之一。
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