Plate Core 47.3.1版本发布:Slate升级与渲染优化
项目简介
Plate是一个基于Slate的富文本编辑器框架,提供了可扩展的插件系统和丰富的编辑器功能。作为Plate的核心模块,plate-core负责处理编辑器的基础架构和核心功能。
主要更新内容
Slate版本升级至0.114.0
本次更新将底层依赖的Slate编辑器库升级到了0.114.0版本。Slate作为Plate的基础架构,这次升级带来了性能优化和API改进,为Plate提供了更稳定和高效的底层支持。
节点属性合并优化
修复了插件中node.props.className合并的问题。在之前的版本中,当多个插件同时尝试修改节点的className属性时,可能会出现合并异常。新版本确保了className能够正确合并,使得样式应用更加可靠。
冗余属性移除
移除了叶子节点组件中冗余的data-slate-leaf属性。这一优化减少了DOM中的冗余数据,使得生成的HTML结构更加简洁,有助于提升渲染性能。
新增节点属性控制
1. node.leafProps
新增了node.leafProps属性,允许开发者覆盖data-slate-leaf元素的属性。这为自定义叶子节点的DOM表现提供了更大的灵活性。
2. node.textProps
新增了node.textProps属性,用于覆盖data-slate-node="text"元素的属性。开发者现在可以更精细地控制文本节点的DOM表现。
渲染功能增强
1. render.leaf
新增了render.leaf功能,当节点满足isLeaf: true且isDecoration: false条件时,可以在叶子节点下方渲染一个组件。这为在特定叶子节点旁添加装饰性元素或功能组件提供了可能。
2. node.isDecoration
新增了node.isDecoration属性,用于控制插件节点是否可以作为装饰性叶子节点渲染。这一特性使得开发者能够更精确地控制不同类型节点的渲染行为,区分内容节点和装饰节点。
技术影响与最佳实践
这些更新对开发者使用Plate构建富文本编辑器带来了以下改进:
-
更精细的DOM控制:通过新增的各种props属性,开发者可以更精确地控制编辑器生成的DOM结构,满足特定的样式或功能需求。
-
性能优化:移除冗余属性和改进渲染逻辑有助于提升编辑器的整体性能,特别是在处理大量内容时。
-
扩展性增强:新增的渲染选项为插件开发者提供了更多可能性,可以创建更复杂的编辑器功能和交互。
建议开发者在升级后:
- 检查现有插件中关于节点属性的处理逻辑
- 利用新的渲染功能优化编辑器UI
- 考虑使用新的装饰节点控制来区分内容与装饰元素
总结
Plate Core 47.3.1版本通过升级Slate基础库和优化渲染逻辑,进一步提升了编辑器的稳定性和灵活性。这些改进使得开发者能够构建更高效、更可定制的富文本编辑体验,同时也为未来的功能扩展奠定了更好的基础。
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