Rspack v1.3.9 版本发布:性能优化与稳定性提升
Rspack 是一个基于 Rust 构建的高性能 Web 打包工具,它结合了 Webpack 生态系统的优势与 Rust 语言的性能特点,旨在为开发者提供更快的构建速度和更好的开发体验。作为 Webpack 的替代方案,Rspack 在保持兼容性的同时,通过底层优化显著提升了构建性能。
性能优化
本次发布的 v1.3.9 版本在性能方面做出了重要改进。开发团队对 JavaScript 统计功能进行了优化,通过重构相关代码逻辑,减少了不必要的计算开销,使得在大型项目中生成构建统计信息时的性能得到提升。这种优化对于需要频繁分析构建结果的开发者来说尤为有用,特别是在持续集成环境中。
稳定性修复
-
配置合并问题修复:解决了 clever merge 在解析选项时的潜在问题,确保配置合并过程更加可靠。这项修复避免了在某些特殊情况下配置合并可能导致的意外行为。
-
文件监听改进:修正了 watchpack 限制设置时机的问题,现在会在加载 watchpack 之前正确设置限制参数。这一改进使得文件监听机制更加稳定,特别是在处理大量文件变更时。
-
循环依赖处理:修复了循环引用关系检测中的问题,现在能够更准确地识别和处理模块间的循环依赖关系,避免了由此可能引发的构建错误。
-
错误堆栈信息:增强了插件错误处理机制,现在能够完整保留错误堆栈信息,显著提升了调试体验。开发者可以更容易地追踪到错误源头。
-
警告处理优化:解决了警告信息可能被多次处理的问题,避免了控制台中出现重复的警告信息,使构建输出更加清晰。
-
HTML 插件改进:修复了使用多个 HTML 插件实例时选项被意外覆盖的问题,确保了多页面应用配置的正确性。
文档完善
开发团队对文档进行了全面更新和优化:
- 新增了 JavaScript 压缩和转换的详细示例和 API 文档,帮助开发者更好地理解相关功能的使用方法。
- 修正了 SWC API 示例中的错误,确保示例代码的准确性。
- 改进了容器语法文档,避免了可能的误解。
- 增强了追踪功能的文档说明,详细解释了如何利用追踪功能分析构建过程。
- 完善了 Data URI 模块和 MIME 类型规则的文档,提供了更清晰的使用指南。
- 重写了加载器类型文档和示例,使其更加易于理解和实践。
其他改进
-
事件追踪支持:新增了对事件追踪的支持,使开发者能够更深入地分析构建过程中的各个阶段。
-
依赖更新:升级了多个核心依赖,包括:
- 将 pnpm 更新至 v10.10.0
- 升级 core-js 到 v3.42.0
- 更新 Webpack 到 v5.99.8
- 升级 SWC 到 v22.5.3 并启用了 SWC 追踪功能
-
CI/CD 改进:对持续集成流程进行了优化,包括更好的回退机制和必要的检查项,提高了自动化测试的可靠性。
-
代码清理:移除了不再使用的 loader-utils v2 依赖,简化了项目依赖树。
总结
Rspack v1.3.9 版本虽然在功能上没有重大新增,但在性能优化、稳定性提升和文档完善方面做出了重要改进。这些变化使得 Rspack 作为一个现代化的构建工具更加成熟可靠,特别是在大型项目中的表现更为出色。对于已经使用 Rspack 的团队来说,升级到这个版本将获得更好的开发体验和更稳定的构建过程。
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