MDN浏览器兼容性数据库v6.0.4版本发布:移除废弃API与新增Observable特性
MDN浏览器兼容性数据库是Web开发者了解不同浏览器对Web API支持情况的重要参考资源。最新发布的v6.0.4版本对数据库进行了重要更新,主要包含两大方面的变化:移除大量废弃的Web API和新增Observable相关特性支持。
数据库更新概述
本次更新共涉及82个文件的修改,包含1,927处新增和5,500处删除。这些变更反映了现代Web标准的发展趋势,一方面清理了已被废弃且不再被现代浏览器支持的老旧API,另一方面增加了对新兴Web特性的支持。
移除的废弃API
v6.0.4版本移除了多个已被废弃的Web API,这些API大多属于以下三类:
-
SVG字体相关API:包括SVGFontElement、SVGGlyphElement等一整套SVG字体模块API。这些API原本用于在SVG中定义字体,但现代Web开发中已基本被WOFF等现代字体格式取代。
-
HTML废弃属性:如HTMLHeadElement的profile属性和pre元素的wrap属性,这些属性在现代HTML标准中已被移除。
-
过时浏览器特性:如Window.showModalDialog方法,这是早期浏览器提供的模态对话框功能,现已被更现代的对话框API替代。
这些API的移除反映了Web标准的演进过程,开发者应避免在项目中使用这些已被废弃的特性。
新增的Observable特性
本次更新最重要的新增内容是对Observable API的支持。Observable是一种新的异步编程模型,为处理事件流和数据流提供了更优雅的解决方案。新增的API包括:
- Observable基础类及其各种操作方法,如filter、map、reduce等
- 订阅者(Subscriber)相关接口
- 各种转换和组合操作符,如flatMap、switchMap等
Observable模式在处理复杂异步逻辑时特别有用,比如用户交互事件流、WebSocket消息等场景。它的引入为JavaScript异步编程提供了新的范式选择。
其他重要更新
-
自定义元素生命周期回调:新增了connectedMoveCallback生命周期回调的支持数据,这为Web组件开发提供了更精细的控制能力。
-
Node.js 20.4.0支持:增加了对Node.js最新版本的兼容性数据。
-
Permissions-Policy新指令:新增了deferred-fetch和deferred-fetch-minimal两个权限策略指令的支持数据,这些指令用于控制延迟加载资源的权限。
开发者建议
对于使用MDN浏览器兼容性数据的开发者,建议:
-
检查项目中是否使用了本次移除的废弃API,并尽快迁移到现代替代方案。
-
评估Observable API是否适合项目需求,特别是在处理复杂异步逻辑时,可以考虑采用这种更声明式的编程模式。
-
关注Permissions-Policy的新指令,确保网站的资源加载策略符合最新安全规范。
MDN浏览器兼容性数据库的持续更新为开发者提供了准确的浏览器支持信息,帮助开发者做出更明智的技术选型决策。v6.0.4版本的更新再次体现了Web平台不断演进的特点,开发者应保持对这类更新的关注,以确保应用的兼容性和现代化程度。
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
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