RSBuild v1.3.10 版本发布:性能优化与资源提示增强
RSBuild 是一个现代化的前端构建工具,它基于 Rspack 构建引擎,旨在为开发者提供高性能、易配置的构建体验。该项目由 Web Infra 团队维护,专注于提升前端构建效率,同时保持出色的开发者体验。
资源提示功能增强
本次 v1.3.10 版本对资源提示功能(prefetch 和 preload)进行了多项改进。资源提示是现代 Web 性能优化的重要手段,它允许浏览器提前加载关键资源,从而提升页面加载速度。
新版本引入了更强大的过滤机制,开发者现在可以更精确地控制哪些资源需要被预加载或预获取。这一改进使得资源提示策略可以更加精细化,避免不必要的资源加载,从而优化整体性能。
特别值得注意的是,新版本修复了一个重要问题:内联资源(如通过 data URL 嵌入的资源)现在不会再生成资源提示。这一修复避免了资源重复加载的问题,确保了构建结果的正确性。
性能优化措施
在性能方面,v1.3.10 版本做了两处重要改进:
-
优化了内联 chunk 的匹配算法,使其运行速度更快。这一优化减少了构建过程中的计算开销,特别是在处理大型项目时效果更为明显。
-
重构了资源提示插件(HtmlResourceHintsPlugin)的内部实现,使其结构更加清晰,同时也为未来的功能扩展打下了更好的基础。
错误处理与日志改进
新版本对错误提示和日志输出也做了优化:
- 当开发者尝试使用 Node.js 内置模块时,错误信息现在更加清晰明确,帮助开发者快速定位问题。
- 文件名日志的高亮显示得到了修正,使控制台输出更加易读,便于开发者快速识别关键信息。
文档完善
文档方面,v1.3.10 版本带来了多项改进:
- 重新组织了指南部分的侧边栏结构,使文档导航更加合理
- 优化了关于 Browserslist 配置的内容顺序,使其更符合开发者的查阅习惯
- 增加了关于 prefetch 和 preload 过滤器的具体使用示例
- 改进了 SSR 示例代码,帮助开发者更好地实现服务端渲染
- 在 README 中新增了 Rstest 的相关信息
依赖项更新
作为常规维护的一部分,本次版本更新了多个依赖项:
- 将 pnpm 升级至 v10.9.0
- 更新了 sass 编译器至 1.87.0 版本
- 模块联邦(Module Federation)升级到 v0.13.0
- 文档 UI 组件更新至 1.8.0 版本
这些依赖更新带来了 bug 修复、性能改进和新功能支持,同时保持了项目的安全性和稳定性。
总结
RSBuild v1.3.10 是一个以优化为主的版本,它在不引入破坏性变更的情况下,提升了构建性能,改进了资源提示功能,并完善了文档体系。对于追求构建效率和性能优化的团队来说,这个版本值得升级。特别是那些大量使用 prefetch 和 preload 策略的项目,将会从本次更新中获得明显的收益。
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