Plate核心库重大更新:渲染组件API重构与编辑器初始化优化
Plate是一个基于Slate的富文本编辑器框架,提供了高度可定制化的组件和插件系统。本次发布的@udecode/plate-core@48.0.0版本带来了两项重要变更:渲染组件API的重大重构和编辑器初始化流程的优化。
渲染组件API重构
本次更新对PlateElement、PlateLeaf和PlateText等核心渲染组件进行了彻底的重构,主要变化包括:
属性传递方式变更
HTML属性现在统一通过attributes属性传递,而不是直接作为组件的顶级属性。这种变更使得属性传递更加规范化,与Slate的渲染模式保持一致。
迁移示例:
// 旧版写法
<PlateElement {...props} ref={ref} contentEditable={false}>
{children}
</PlateElement>
// 新版写法
<PlateElement
{...props}
ref={ref}
attributes={{
...props.attributes,
contentEditable: false,
}}
>
{children}
</PlateElement>
简化属性配置
移除了nodeProps属性,将其功能合并到attributes中。同时,插件中的node.props配置现在直接返回属性对象,不再需要嵌套在nodeProps对象中。
// 旧版配置
node: {
props: ({ element }) => ({
nodeProps: {
colSpan: element?.attributes?.colspan,
rowSpan: element?.attributes?.rowspan,
},
});
}
// 新版配置
node: {
props: ({ element }) => ({
colSpan: element?.attributes?.colspan,
rowSpan: element?.attributes?.rowspan,
});
}
组件简化
移除了asChild属性,统一使用as属性来指定渲染组件。同时移除了elementToAttributes、leafToAttributes、textToAttributes等属性,简化了组件API。
类型定义优化
移除了PlateRenderElementProps、PlateRenderLeafProps、PlateRenderTextProps等类型,统一使用PlateElementProps、PlateLeafProps、PlateTextProps作为标准类型。
编辑器初始化流程优化
本次更新还改进了编辑器的初始化流程,增加了更多控制选项:
新增组件覆盖选项
createPlateEditor和usePlateEditor现在支持通过components选项直接覆盖编辑器组件,这是对原有override.components的简化别名。
延迟初始化支持
新增skipInitialization选项,允许开发者跳过编辑器的初始设置流程(包括设置初始children、selection以及规范化初始值)。这在需要手动控制初始化时机的高级场景中非常有用。
新增API方法
新增了editor.api.shouldNormalizeNode方法,用于控制何时应该执行规范化操作。这在编辑器尚未准备好时特别有用,可以避免不必要的规范化操作。
新增初始化转换
新增了editor.tf.init转换方法,专门用于执行编辑器的初始化工作。当使用skipInitialization选项时,开发者可以手动调用此方法来触发初始化流程。
升级建议
对于现有项目,升级到48.0.0版本需要进行以下调整:
- 检查所有使用PlateElement、PlateLeaf和PlateText的地方,按照新的属性传递方式进行修改
- 更新插件配置中的node.props定义,移除nodeProps包装
- 如果使用了延迟初始化功能,确保在适当的时候调用editor.tf.init
- 更新类型引用,使用新的标准类型名称
这些变更虽然需要一定的迁移工作,但将带来更一致、更灵活的API设计,为未来的功能扩展打下更好的基础。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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