CryptPad 2025.3.0 版本发布:模块化重构与性能优化
CryptPad 是一个开源的端到端加密协作平台,提供了类似 Google Docs 的实时协作功能,但所有数据都在客户端加密后再发送到服务器,确保了用户隐私。2025年春季发布的 2025.3.0 版本标志着项目开始进行重要的代码重构工作,目标是使代码更加模块化和优化性能。
核心改进:共享工作线程与数据加载优化
本次版本最显著的改进是引入了共享工作线程(SharedWorker)的构建方式。通过将共享线程的所有代码打包到单个最小化文件中(www/common/worker.bundle.min.js),显著提升了数据加载效率,特别是对于拥有大量驱动器或团队共享文件夹的用户。
这一改进解决了之前版本中需要加载所有驱动器和共享文件夹才能打开文档的问题,现在系统只会按需加载所需数据,大幅提升了用户体验。管理员可以通过运行npm run api命令自行构建这个共享工作线程文件。
管理功能增强
2025.3.0 版本为管理员提供了更多便利功能:
- 现在可以直接在用户界面中添加或移除管理员,无需手动修改配置文件
- 服务器子进程现在可以在完成一定数量的任务后自动重新加载,这有助于长期运行的实例保持稳定性
- 访问文档历史记录时的服务器内存使用得到了优化
- 管理员界面进行了多项可访问性改进
移动端体验提升
针对移动设备用户,本次更新包含多项改进:
- 代码编辑器现在支持移动设备上的预览模式
- 个人资料页面在小屏幕上的布局问题得到修复
- 看板和表单应用增加了专门的移动操作按钮,使拖拽和移动操作更加方便
- 看板应用中"添加项目"按钮现在支持键盘操作,提升了可访问性
应用特定改进
驱动器(Drive)功能
- 文件和文件夹现在采用"自然"排序方式(如"文件2"排在"文件10"之前)
- "最近使用的文档"分类功能得到增强
- 修复了匿名用户下载驱动器内容的问题
- 防止了多次保存文件到驱动器的重复操作
表单(Forms)应用
- 修复了分页后条件区块的显示问题
- 解决了长问题文本溢出和必填标签尺寸异常的问题
- 表单答案现在可以正确下载到驱动器中
看板(Kanban)应用
- 修复了协作编辑时的光标问题
- "查看所有标签"按钮功能得到修正
- 改进了移动设备上的项目移动操作
日历应用
- 下拉日历的键盘可访问性得到提升
- 标题溢出问题得到修复
安全与性能优化
本次发布包含多项安全修复,建议所有实例管理员尽快升级。其他重要改进包括:
- 服务器在处理大型文件上传时更加稳定,特别是在Chromium浏览器上
- 修复了Blob资源的跨域访问控制头问题
- 移除了Nginx对OCSP Stapling的支持
- 通知侧边栏的键盘导航问题得到修复
- 增加了更多描述性错误信息,帮助用户理解问题原因
升级注意事项
从旧版本升级时,建议管理员先阅读所有中间版本的升级说明以避免配置问题。升级步骤包括停止服务、获取最新代码、安装依赖和重启服务等标准流程。
特别值得注意的是,虽然本次版本计划升级OnlyOffice应用(Sheet、Document、Presentation)到第8版,但由于集成过程中发现了一些阻塞性bug,这一升级将推迟到2025.3.1版本发布。
对于使用SSO插件的实例,本次还发布了插件的新版本(0.2.0),支持通过管理面板界面直接管理设置,建议相关用户同步更新插件。
总体而言,2025.3.0版本为CryptPad带来了显著的性能提升和用户体验改进,特别是对于拥有大量数据或团队协作的用户群体,同时增强了管理功能和安全性,是值得所有用户升级的重要版本。
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