Web Platform Tests项目中的Local Network Access(LNA)命名规范更新
Web Platform Tests(WPT)是一个由W3C维护的开源项目,旨在为Web平台提供跨浏览器的测试套件,确保不同浏览器对Web标准的实现保持一致性和互操作性。该项目包含了数以万计的测试用例,覆盖了HTML、CSS、JavaScript等Web技术的各个方面。
LNA与PNA命名规范的演变
在最新的提交中,Web Platform Tests项目对Local Network Access(LNA)相关的fetch API中的targetAddressSpace参数命名进行了重要更新。这一变更反映了从Private Network Access(PNA)到Local Network Access(LNA)命名规范的过渡。
新旧命名对照表
| 旧名称(PNA) | 新名称(LNA) |
|---|---|
| local | loopback |
| private | local |
| public | public |
值得注意的是,虽然主要命名已经更新,但为了向后兼容,"private"仍将作为"local"的别名保留。
技术背景与变更意义
这一命名规范的更新不仅仅是简单的词汇替换,它反映了Web安全模型中对网络访问权限控制的更精确描述。新的命名体系更加清晰地划分了不同层级的网络访问权限:
- loopback:指代本地回环地址(如127.0.0.1),用于同一设备内的通信
- local:指代本地网络范围内的访问(如192.168.x.x等私有地址空间)
- public:指代公共互联网上的资源访问
这种更精确的命名有助于开发者更清楚地理解和使用这些API,同时也使规范文档和测试用例更加易于理解。
相关测试用例的调整
作为这次变更的一部分,项目移除了private-network-access/mixed-content-fetch.tentative.https.window.js测试文件。这是因为PNA相关实现正在被逐步淘汰,而保持这个测试在新的命名体系下工作会带来不必要的复杂性。
对开发者的影响
对于使用fetch API并涉及网络访问控制的开发者来说,这一变更意味着:
- 建议尽快将代码中的旧参数名更新为新名称
- 虽然"private"仍可作为"local"的别名使用,但新代码应采用"local"这一规范名称
- 需要关注浏览器对这一变更的实现进度,确保兼容性
这一变更体现了Web平台持续演进的特点,也展示了Web Platform Tests项目在推动Web标准一致实现方面的重要作用。通过这样的规范更新和测试调整,确保了不同浏览器在处理网络访问权限时能够提供一致的行为和开发者体验。
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