Firebase Tools v14.7.0 版本发布:存储模拟器与多项功能优化
Firebase Tools 是 Google Firebase 平台提供的命令行工具集,它允许开发者在本地环境和云端无缝管理 Firebase 项目。作为 Firebase 生态系统的核心组件,这个工具集支持项目初始化、部署、模拟测试等多种功能,极大提升了开发者的工作效率。
存储模拟器支持增强
本次 v14.7.0 版本最显著的改进是为 Firebase 存储模拟器添加了 MCP(Microservice Control Plane)工具支持。这一增强意味着开发者现在能够更全面地模拟云存储服务的行为,在本地开发环境中测试文件上传、下载和管理功能,而无需连接到实际的云端存储服务。对于依赖 Firebase 存储功能的应用程序来说,这显著降低了开发测试成本,特别是在网络条件受限或需要频繁测试的场景下。
功能列表与初始化验证优化
在 functions:list 命令中,修复了之前版本中存在的过度错误捕获问题,使得函数列表查询更加稳定可靠。同时,团队还改进了 firebase init 命令中的功能选择验证机制,现在当开发者初始化新项目时,系统会对所选功能进行更严格的验证,避免因配置不当导致的后续问题。这一改进特别适合刚接触 Firebase 的新手开发者,能够帮助他们从一开始就建立正确的项目结构。
模拟器与导出功能修复
针对扩展模拟器(extensions emulator)进行了重要修复,解决了其在 demo- 前缀项目中无法正常工作的问题。此外,还修正了 --export-on-exit 选项在目标目录不存在时的失败问题。这两个修复显著提升了开发体验,使得本地模拟测试更加顺畅,数据导出功能更加可靠。
认证与数据连接工具更新
本次更新还包含了对 Firebase MCP 服务器认证机制的改进,解决了其无法使用应用程序默认凭证的问题。在数据连接工具方面,升级到了 v2.7.0 版本,带来了多项改进:
- 修复了在 Web 项目中使用多个包管理器时,
package.json中出现不必要链接依赖的问题 - 新增了对命名约定违规和缺少连接表
@table(key)的 linter 警告
这些改进使得数据模型的定义更加规范,有助于团队协作和长期项目维护。
跨平台支持
Firebase Tools 继续保持对主流操作系统的全面支持,提供了 Windows、Linux 和 macOS 平台的独立可执行文件。这种跨平台兼容性确保了不同开发环境下的开发者都能获得一致的体验。
总的来说,Firebase Tools v14.7.0 版本通过增强存储模拟器支持、修复多个关键问题以及改进开发者体验,进一步巩固了其作为 Firebase 开发核心工具的地位。这些改进使得本地开发和测试更加高效可靠,特别适合需要频繁迭代和测试的敏捷开发团队。
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