Rspack v1.3.0-beta.1 版本发布:懒编译中间件与循环依赖检测
Rspack 是一个基于 Rust 的高性能前端构建工具,它结合了 Webpack 的生态系统和 Rust 的高效性能。在最新的 v1.3.0-beta.1 版本中,Rspack 带来了两项重要的新特性:懒编译中间件和循环依赖检测插件。这些改进不仅提升了开发体验,也增强了构建过程的健壮性。
懒编译中间件:开发体验的重大提升
懒编译(Lazy Compilation)是现代前端构建工具中一项重要的优化技术,它允许按需编译代码,而不是一次性编译整个项目。在之前的版本中,Rspack 实现懒编译需要启动一个单独的服务来处理特殊请求,这导致了端口、服务器配置和代理不一致的问题。
新版本中,Rspack 将懒编译的核心能力封装成了一个 Express 风格的中间件。开发者只需要几行代码就可以将懒编译能力嵌入到自定义的开发服务器中,解决了多服务实例配置不一致的问题。
对于使用 @rspack/cli 的开发者来说,可以无需任何改动就享受到这一改进。而对于使用自定义开发服务器的开发者,可以通过简单的中间件集成来使用这一功能:
import { experiments, rspack } from '@rspack/core';
import config from './rspack.config.mjs';
import DevServer from 'webpack-dev-server';
const compiler = rspack(config);
const middleware = experiments.lazyCompilationMiddleware(
compiler,
{
entries: true, // 懒编译入口
imports: true, // 懒编译动态导入
...config.experiments?.lazyCompilation
}
);
const server = new DevServer(compiler, {
port: 3000,
setupMiddlewares(other) {
return [middleware, ...other];
},
});
server.start();
这一改进使得懒编译的集成更加灵活和一致,大大提升了开发体验。
循环依赖检测插件:构建质量的守护者
循环依赖是 JavaScript 项目中常见的问题,它可能导致难以调试的行为和性能问题。新版本中,Rspack 引入了一个内置插件 CircularDependencyRspackPlugin 来检测运行时模块之间的循环依赖。
这个插件的独特之处在于它是基于 Rust 实现的,直接与 Rspack 的模块图集成,避免了昂贵的复制和序列化成本。插件会遍历每个入口的模块图来查找所有循环引用,而不是单独检查模块,这意味着它的性能更好。
使用这个插件非常简单:
import { rspack } from '@rspack/core';
const config = {
plugins: [
new rspack.CircularDependencyRspackPlugin({
failOnError: true, // 发现循环依赖时使构建失败
})
]
}
这个插件可以帮助开发者在早期发现并解决循环依赖问题,提高代码质量和可维护性。
其他重要改进
除了上述两个主要特性外,这个版本还包含了许多其他改进:
-
CopyRspackPlugin 对齐 Webpack:
CopyRspackPlugin的 transform API 现在与 Webpack 插件对齐,提高了兼容性。 -
并行处理优化:引入了
par_iter_then_collect方法来优化并行处理性能。 -
模块 ID 确定性:修复了
getModuleId返回类型的问题,确保模块 ID 的确定性。 -
依赖关系迭代器修复:修复了
compilation.*_dependencies迭代器在同步调用时忽略新增项的问题。 -
现代模块系统改进:修正了非导出星号连接计数的问题。
总结
Rspack v1.3.0-beta.1 版本带来了两项重要的新特性:懒编译中间件和循环依赖检测插件,它们分别从开发体验和代码质量两个维度提升了 Rspack 的能力。这些改进展示了 Rspack 团队对开发者体验和构建质量的持续关注,也体现了 Rust 在构建工具领域的性能优势。
对于正在使用或考虑使用 Rspack 的开发者来说,这个版本值得关注和尝试。懒编译中间件简化了开发服务器的配置,循环依赖检测插件则帮助开发者构建更健壮的应用程序。随着这些功能的加入,Rspack 正在成为一个更成熟、更强大的构建工具选择。
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