ORPC v0.48.0 版本发布:RPC 框架的重大升级
ORPC 是一个现代化的 RPC(远程过程调用)框架,它提供了客户端和服务器之间的高效通信能力。这个框架特别注重类型安全和开发体验,支持多种前端框架集成,并提供了丰富的中间件和序列化功能。最新发布的 v0.48.0 版本带来了多项重要改进和新特性,让开发者在构建分布式系统时拥有更强大的工具。
核心变更与架构改进
自定义 JSON 序列化器
v0.48.0 版本引入了自定义 RPC JSON 序列化器的能力。这一改进允许开发者根据特定需求定制数据的序列化和反序列化过程,在处理特殊数据类型或优化性能时特别有用。框架现在提供了更灵活的序列化控制,同时保持了类型安全。
服务器端重大改进
服务器端进行了多项架构调整,其中最重要的变化是移除了重复中间件的逻辑,改为显式处理中间件链。这种设计使得中间件的执行更加透明和可控。同时新增了.$input方法,为输入数据处理提供了更直观的API。
新引入的UnlazyRouter工具解决了懒加载路由可能导致的问题,使得路由管理更加可靠。此外,现在可以在.callable和.actionable方法后进行链式调用,大大提升了API的流畅性和灵活性。
客户端增强
客户端方面,现在重新导出了hooks工具函数,使得开发者可以更方便地使用这些实用工具。事件迭代器状态变化的处理也得到了更新,提供了更一致的行为模式。
框架集成扩展
v0.48.0 版本显著扩展了对前端框架的支持:
-
Solid-Query:新增了对Solid.js的Tanstack Query集成,为Solid开发者提供了强大的数据获取和状态管理能力。
-
Svelte-Query:同样引入了对Svelte的Tanstack Query支持,完善了框架的前端生态。
-
Vue-Colada:移除了输入和上下文选项中的深度引用(deep ref),简化了API并提高了性能。
类型系统与验证增强
Zod集成方面取得了显著进展:
- 现在支持在JSON Schema中处理
readOnly和propertyNames属性,增强了API文档的丰富性。 - 修复了
propertyNames在字符串模式下的应用问题,确保了验证逻辑的准确性。
问题修复与稳定性提升
本次版本修复了多个关键问题:
- 解决了TypeScript中"has no properties in common with type"的类型问题
- 确保中间件初始上下文能正确反映在过程中
- 修正了中间件
next方法返回的上下文内容
这些改进显著提升了框架的稳定性和开发体验。
总结
ORPC v0.48.0 是一个功能丰富的版本,在序列化、中间件处理、前端集成和类型系统等方面都有显著提升。这些改进使得ORPC更适合构建复杂的分布式应用,同时保持了出色的开发体验和类型安全性。对于正在使用或考虑使用RPC框架的团队来说,这个版本值得认真评估和升级。
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