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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00