Deno标准库2025.05版本发布:异步处理与集合操作增强
Deno标准库作为Deno运行时的重要组成部分,为开发者提供了丰富的基础功能模块。在2025年5月13日发布的版本中,主要对异步处理、集合操作等核心功能进行了优化和增强。本文将详细介绍这次更新的技术亮点。
异步处理模块(@std/async)改进
在1.0.13版本中,修复了abortable函数的一个重要问题。当Promise被拒绝时,该函数现在能够正确防止未捕获的错误。这一改进使得异步操作的错误处理更加健壮,开发者可以更安全地使用可中止的异步操作。
集合操作模块(@std/collections)功能增强
1.1.0版本带来了多项重要更新,主要围绕集合操作的稳定性提升和新功能添加:
-
迭代器输入稳定性:现在
chunk、dropLastWhile、dropWhile、intersect、sample、slidingWindows、sortBy、takeLastWhile、takeWhile和withoutAll等方法都正式支持Iterable类型的输入。这意味着开发者可以更灵活地使用这些方法处理各种可迭代对象。 -
新增循环迭代器工具:在unstable命名空间下添加了
cycle迭代器工具,它可以无限循环给定的可迭代对象。这个功能在处理需要循环遍历的数据时特别有用。
数据结构模块(@std/data-structures)扩展
1.0.8版本为BinarySearchTree添加了四个实用的新方法:
ceiling: 返回大于等于给定键的最小键floor: 返回小于等于给定键的最大键higher: 返回严格大于给定键的最小键lower: 返回严格小于给定键的最大键
这些方法增强了二叉搜索树的查询能力,使其在范围查询等场景下更加实用。
测试相关模块改进
测试相关的多个模块(@std/expect、@std/testing、@std/internal)在1.0.12-1.0.16版本中统一改进了断言检查机制。现在如果开发者使用了expect.hasAssertion或expect.assertions但没有进行检查,系统会抛出错误。这一改变有助于开发者编写更可靠的测试代码,避免遗漏重要的断言检查。
其他重要修复
-
字节处理(@std/bytes 1.0.6):修复了
concat()方法,现在可以正确处理只读字节数组。 -
环境变量(@std/dotenv 0.225.4):新增支持URL作为环境文件路径类型,提高了配置灵活性。
-
HTTP服务(@std/http 1.0.16):修正了文件服务器响应中的Date头设置问题,现在使用默认值而非强制设置。
-
TOML解析(@std/toml 1.0.6):修复了NaN值的处理,现在会使用小写形式表示。
总结
Deno标准库2025.05版本在保持稳定性的同时,对多个核心模块进行了功能增强和问题修复。特别是集合操作模块的迭代器支持稳定化和二叉搜索树查询方法的扩展,为开发者处理复杂数据结构提供了更多便利。测试相关模块的改进则进一步提升了代码质量保障能力。这些更新体现了Deno团队对开发者体验的持续关注和对功能稳定性的重视。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00