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。
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
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust015
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