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。
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