Lexical编辑器v0.26.0版本发布:NodeState API与多项优化
Lexical是一个由Facebook开发的现代化富文本编辑器框架,它采用模块化设计,提供了高度可定制化的编辑体验。作为React生态中的重要编辑器解决方案,Lexical通过虚拟DOM和不可变数据结构实现了高性能的文本处理能力。
本次发布的v0.26.0版本带来了多项重要更新,其中最引人注目的是全新的NodeState API实验性功能,它为节点管理提供了更灵活的状态控制机制。同时,版本还包含了对核心选择逻辑、列表处理、表格操作等多个方面的改进和优化。
核心功能增强
NodeState API实验性功能
v0.26.0引入了NodeState API这一重要实验性功能,它为所有节点类型添加了通用的状态属性。这一设计允许开发者为节点附加任意状态数据,而无需创建自定义节点类型。新API包括createState、getStateChange和$setState等方法,为节点状态管理提供了完整的工具链。
这一特性特别适合需要临时存储节点相关数据的场景,比如实现复杂的交互逻辑或临时标记节点状态。相比传统的自定义节点方案,NodeState API更加轻量且灵活,避免了节点类型膨胀的问题。
选择逻辑重构
版本对RangeSelection.getNodes()方法进行了重构,采用了新的NodeCaret API实现。这一变化带来了几个关键优势:
- 引入了$comparePointCaretNext方法,提供了节点位置的完整排序能力
- 新增getCommonAncestorResultBranchOrder方法,优化了共同祖先节点的查找逻辑
- 提高了选择范围内节点获取的性能和准确性
这些改进使得编辑器在处理复杂文档结构时的选择行为更加可靠和高效。
重要问题修复
跨节点删除行为优化
版本修复了deleteCharacter操作在通过ListNode到ListItemNode时的行为问题。这一修复不仅限于列表场景,实际上改善了所有嵌套非内联元素情况下的删除操作体验。
选择位置计算修正
解决了Point.isBefore方法可能因规范化问题返回错误结果的情况,确保了位置比较的准确性。同时修复了Android Chrome上删除段落时选择位置偏移的问题,提升了移动端编辑体验。
内联元素处理改进
为TextNode和LineBreakNode添加了isInline实现,明确了这些基础节点的内联特性。同时修正了元素的内联标识,确保标记内容能够正确参与文档流布局。
协作编辑优化
针对协作场景,版本改进了合并冲突的处理逻辑,现在能够正确规范化同一块内多个相邻的合并冲突。这一变化使得协作编辑过程中冲突解决的体验更加平滑。
列表功能增强
列表处理方面有两个值得注意的改进:
- 修复了退出嵌套列表时保留选择样式的问题,确保了视觉一致性
- 列表项符号现在会匹配文本样式,包括颜色等属性,提升了视觉效果的一致性
表格交互改进
表格功能修复了三击选择可能意外选中相邻单元格的问题。同时,Playground中的表格操作菜单定位问题也得到了解决,提升了用户体验。
React集成优化
React绑定方面进行了多项改进:
- 移除了自v0.16.0以来已弃用的所有默认导出,统一使用命名导出
- 修复了菜单元素在卸载时未正确清理的问题
- 确保菜单属性能够立即设置,提高了响应速度
开发体验提升
Playground和示例项目的Vite配置进行了统一和重构,现在可以通过npm run monorepo:dev命令运行基于仓库当前版本Lexical的示例。这一改进极大方便了基于未发布功能开发示例或调试特定场景的工作流程。
总结
Lexical v0.26.0版本通过引入NodeState API为编辑器扩展性开辟了新方向,同时通过多项核心优化提升了编辑器的稳定性和性能。这些改进覆盖了从基础选择逻辑到具体功能模块的多个层面,体现了Lexical项目持续优化用户体验的承诺。对于正在使用或考虑采用Lexical的开发者来说,这个版本值得特别关注。
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