Tokenami项目v0.0.78版本发布:样式组合优化与CI流程改进
Tokenami是一个专注于CSS-in-JS解决方案的开源项目,它通过创新的方式将样式逻辑与组件紧密结合。该项目特别注重性能优化和开发者体验,通过减少冗余样式和提供类型安全的方式来提升前端开发效率。
样式组合优化:从内联样式到样式表
本次版本更新中,Tokenami对css.compose功能进行了重大改进。在之前的版本中,组合样式会直接在组件中生成内联样式,这可能导致HTML中出现大量重复的样式声明。新版本通过以下方式优化了这一过程:
-
样式提取机制:现在所有在
compose块中定义的样式都会被提取到项目的样式表中,而不是直接内联到HTML元素上。 -
类名生成:系统会自动为这些样式生成唯一的类名,显著减少了HTML中的冗余代码。
-
API调整:
css.compose的返回类型现在会提供一个类名处理函数cn和一个样式处理函数css,开发者需要同时使用这两个返回值来确保样式正确应用。
这种改变不仅提升了性能,还使得样式复用更加高效,特别是在大型项目中,这种优化可以显著减少最终生成的CSS体积。
CI流程简化:移除环境类型声明文件
Tokenami团队对持续集成流程进行了简化:
-
移除冗余文件:不再需要维护
.tokenami/tokenami.env.ci.d.ts和tsconfig.ci.json这两个配置文件。 -
新增检查命令:取而代之的是引入了
tokenami check命令,开发者可以将其与常规的类型检查步骤结合使用。
这一改进使得CI流程更加简洁,减少了项目配置的复杂度,同时保持了类型检查的严格性。
其他改进与修复
本次更新还包含了一些重要的错误修复和优化:
-
AST解析修复:解决了在解析组合样式块时可能出现的问题,提高了编译过程的稳定性。
-
文档更新:特别针对自定义属性的使用文档进行了完善,帮助开发者更好地理解和使用这一功能。
升级建议
对于正在使用Tokenami的项目,升级到v0.0.78版本需要注意以下几点:
-
组合样式API变更:需要调整使用
css.compose的组件代码,确保正确处理新的返回值结构。 -
CI流程更新:移除不再需要的配置文件,并在CI脚本中添加
tokenami check命令。 -
类型检查:虽然移除了特定的环境类型文件,但通过新的检查命令仍然可以确保样式的类型安全。
这些改进使得Tokenami在保持其核心优势的同时,进一步提升了开发体验和运行效率,是值得所有用户升级的重要版本。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00