up-fetch v1.3.0 版本发布:增强请求体处理与配置灵活性
up-fetch 是一个基于原生 fetch API 的轻量级封装库,旨在提供更便捷、更灵活的 HTTP 请求体验。它通过中间件机制和配置预设功能,简化了常见请求场景的处理逻辑,同时保持了与原生 API 的良好兼容性。
新增功能:isJsonifiable 实用工具
v1.3.0 版本引入了一个新的实用工具函数 isJsonifiable,用于判断一个值是否可以被安全地转换为 JSON 格式。这个工具函数在处理请求体时特别有用,可以帮助开发者避免在序列化不可 JSON 化的值时出现意外错误。
在实际应用中,我们经常会遇到需要判断一个对象是否可以被 JSON.stringify 处理的情况。例如,当我们需要发送一个请求时,如果请求体包含不可序列化的内容(如循环引用的对象、函数等),直接调用 JSON.stringify 会导致错误。有了 isJsonifiable,我们可以提前进行安全检查:
if (isJsonifiable(data)) {
// 安全地进行 JSON 序列化
const jsonString = JSON.stringify(data);
} else {
// 处理不可序列化的情况
}
这个工具函数的实现考虑了 JavaScript 中各种可能的数据类型和边缘情况,为开发者提供了可靠的判断依据。
重大变更:请求体处理机制的改进
更灵活的请求体类型支持
本次版本对 serializeBody 选项进行了重要改进。在之前的版本中,serializeBody 只接收可以被 JSON 化的值作为参数。现在,它能够接收任何非空值作为第一个参数,大大提高了灵活性。
这一变化意味着开发者现在可以处理更多类型的请求体,包括但不限于:
- FormData
- URLSearchParams
- Blob
- ArrayBuffer
- 自定义数据结构
类型安全的请求体约束
配合 TypeScript 的类型系统,开发者现在可以通过类型注解来精确控制允许的请求体类型。例如:
const upfetch = up(fetch, () => ({
serializeBody: (body: FormData) => body,
}));
在这个例子中,我们明确指定 serializeBody 只接受 FormData 类型的请求体。当尝试传递其他类型的请求体时,TypeScript 会在编译时给出错误提示,从而避免运行时问题。
这种类型安全的约束机制特别适合在大型项目中使用,它可以帮助团队保持代码一致性,减少因类型不匹配导致的错误。
配置函数的参数变更
另一个重要的架构调整是关于 up-fetch 配置函数的参数传递方式。在 v1.3.0 之前,配置函数的第二个参数具有功能性签名。现在,up 函数直接接收 fetcher 的参数,使得配置可以基于具体的请求信息进行动态调整。
这种改变带来了更直观的配置方式,开发者现在可以根据请求的 URL 或选项来定制不同的默认行为。例如:
const upfetch = up(fetch, (input, options) => ({
baseUrl: 'https://example.com',
timeout: typeof input === 'string' && input.startsWith('/export/')
? 30000
: 5000,
}));
在这个配置中,我们为不同的请求路径设置了不同的超时时间:以 '/export/' 开头的路径使用 30 秒超时,其他路径则使用 5 秒超时。这种基于请求特征的动态配置能力,使得 up-fetch 能够更好地适应复杂的业务场景。
升级建议
对于现有项目升级到 v1.3.0 版本,开发者需要注意以下几点:
- 检查项目中是否依赖了
serializeBody只接收 JSON 化值的特性,必要时调整相关代码。 - 如果使用了配置函数的第二个参数的功能性签名,需要重构为新的参数接收方式。
- 考虑使用新的
isJsonifiable工具函数来增强请求体处理的健壮性。
总体而言,v1.3.0 版本的改进使得 up-fetch 在处理各种 HTTP 请求场景时更加灵活和强大,特别是对于需要处理多种数据格式和动态配置的项目来说,这些改进将显著提升开发体验和代码质量。
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-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