Rspress v2.0.0-beta.3 发布:动态 TOC 生成与 MDX 组件增强
Rspress 是一个现代化的静态站点生成器,专为技术文档和博客设计。它基于 React 生态构建,提供了丰富的功能和灵活的扩展性,使开发者能够快速构建高性能的文档网站。最新发布的 v2.0.0-beta.3 版本带来了多项重要改进,特别是在动态 TOC 生成和 MDX 组件支持方面有了显著增强。
动态 TOC 生成功能
本次更新的核心亮点是引入了动态 TOC(Table of Contents)生成功能。这一改进彻底改变了传统静态 TOC 的局限性,为文档编写带来了全新的可能性。
技术实现原理
动态 TOC 生成通过解析 MDX 文档内容,实时构建文档结构。与静态 TOC 相比,它能够:
- 自动识别文档中的标题层级关系
- 动态响应文档内容变化
- 支持更复杂的文档结构
实际应用场景
MDX 与 Tabs 组件的完美结合
新版本解决了长期以来 MDX 文档中使用 Tabs 组件时 TOC 无法正确生成的痛点。现在,开发者可以自由地在文档中使用类似如下的结构:
## 安装方法
<Tabs>
<TabItem value="npm">
```bash
npm install package
yarn add package
```
系统能够正确识别并生成对应的 TOC 条目,而不会因为 Tabs 组件的存在导致结构混乱。
标题中的 Badge 支持
另一个重要改进是支持在标题中直接使用 Badge 组件,例如:
## 核心功能 <Badge type="warning">实验性</Badge>
这种写法现在能够被正确解析,Badge 会显示在标题旁边,同时不影响 TOC 的生成。这为文档提供了更丰富的表现形式,开发者可以用不同颜色的 Badge 来标记功能状态、重要程度等信息。
其他重要改进
除了核心的 TOC 功能外,本次更新还包括:
-
导航栏大小写处理优化:修复了导航栏在某些情况下对大小写处理不一致的问题,提高了路由匹配的准确性。
-
构建优化:通过外部化依赖等方式减少了插件包体积,提升了构建效率。
-
安全更新:将 react-helmet-async 迁移至 @dr.pogodin/react-helmet,确保项目的长期维护性。
升级建议
对于正在使用 Rspress 1.x 版本的项目,建议先参考迁移指南进行测试升级。新项目可以直接使用这一版本开始开发,体验最新的文档编写方式。
这一版本的发布标志着 Rspress 在 MDX 支持方面迈出了重要一步,为开发者提供了更强大、更灵活的文档编写体验。动态 TOC 生成功能的引入不仅解决了现有问题,更为未来的功能扩展奠定了基础。
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-1.5暂无简介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