Rspack v1.2.7 发布:性能优化与新特性解析
Rspack 是一个基于 Rust 的高性能 JavaScript 构建工具,它结合了 Webpack 的生态优势和 Rust 语言的性能优势,旨在为前端开发者提供更快的构建体验。最新发布的 Rspack v1.2.7 版本带来了显著的性能提升和一些实用的新特性。
性能优化亮点
macOS 平台构建速度提升
在 macOS 平台上,v1.2.7 相比 v1.2.6 版本构建速度提升了高达 20%。这一优化主要得益于对线程调度的改进,通过减少最大阻塞线程数来降低文件系统争用和内存消耗。对于使用 Mac 开发的前端团队来说,这意味着日常开发中的构建等待时间将大幅缩短。
HMR 内存使用减少
热模块替换(HMR)是现代化前端开发中不可或缺的功能。在 v1.2.7 中,Rspack 通过引入 maxGenerations 支持,优化了内存缓存机制,使得 HMR 的内存使用量减少了约 20%。具体来说,在 threejs 项目的开发模式下进行 10 次 HMR 操作时,内存使用从平均 1137MB 降低到了 890MB。
核心新特性
增强的运行时模板渲染
v1.2.7 进一步扩展了 Dojang 模板引擎在运行时模板渲染中的应用。这一改进使得 Rspack 能够处理更多类型的运行时场景,为开发者提供了更灵活的构建配置选项。
AMD 上下文 require 支持
对于使用 AMD 模块规范的项目,新版本增加了对 AMD 上下文 require 的支持。这意味着在 AMD 环境下,开发者可以更灵活地控制模块的加载行为,特别是在处理动态依赖时。
编译器运行选项增强
compiler.run 方法现在支持通过选项设置 modifiedFiles 和 removedFiles,这为构建流程提供了更精细的控制能力。开发者可以明确指定哪些文件被修改或删除,从而优化增量构建的性能。
模块图连接顺序保证
在 JavaScript API 中,get outgoing connections 现在会按照确定的顺序返回连接信息。这一改进使得开发者能够更可靠地处理模块间的依赖关系,特别是在需要特定处理顺序的场景下。
重要问题修复
-
HMR 跨运行时模块移动问题:修复了当模块在不同运行时之间移动时 HMR 失效的问题。
-
持久缓存优化:修复了重建时跳过计算修改文件的问题,提高了增量构建的准确性。
-
CommonJS 静态库模式:修复了 CommonJS 在静态库模式下的行为问题。
-
CSS 文件 BOM 处理:现在能够正确处理带有 BOM 头的 CSS 文件。
-
包含内置加载器错误的模块重建:修复了重建时忽略包含内置加载器错误的模块的问题。
开发者体验改进
除了核心功能的增强,v1.2.7 还包含多项开发者体验的改进:
- 更清晰的
addInclude错误信息,帮助开发者更快定位问题 - 减少调试符号大小,降低二进制体积
- 测试性能优化,包括并行运行 CLI 测试用例
- 文档更新,包括完整的 loader context API 文档和 JSDoc
总结
Rspack v1.2.7 通过多项性能优化和功能增强,进一步巩固了其作为高性能构建工具的地位。特别是对于 macOS 开发者和频繁使用 HMR 功能的团队,这个版本带来的性能提升将显著改善开发体验。随着 Dojang 模板引擎支持的扩展和 AMD 模块规范的完善,Rspack 的适用场景也在不断扩大。
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