Web Platform Tests项目新增Clear-Site-Data对预渲染和预取的交互规范
Web Platform Tests(简称WPT)是一个开源的跨浏览器测试套件,用于验证Web平台规范的实现一致性。该项目由W3C和浏览器厂商共同维护,包含了大量针对HTML、CSS、JavaScript等Web技术的测试用例。
最近WPT项目合并了一个重要的变更,主要涉及Clear-Site-Data头部对预渲染(prerender)和预取(prefetch)行为的交互规范。这个变更对于Web开发者理解缓存控制机制具有重要意义。
当前实现与问题
在当前实现中,当使用Clear-Site-Data头部并指定"cache"值时,系统会同时取消预渲染和预取操作。这种一刀切的做法虽然简单,但缺乏灵活性,无法满足开发者对缓存控制的精细化需求。
预渲染和预取是两种不同的优化技术:
- 预渲染:提前加载并渲染整个页面,当用户实际访问时可以立即展示
- 预取:仅预先获取资源,但不执行渲染
这两种技术虽然都涉及缓存,但在使用场景和资源消耗上有明显区别,因此需要更细粒度的控制方式。
新增功能特性
为解决上述问题,本次变更引入了两个新的Clear-Site-Data值:
- "prerenderCache":专门用于清除预渲染缓存
- "prefetchCache":专门用于清除预取缓存
这种设计允许开发者根据实际需求选择性地清除特定类型的缓存,而不会影响其他缓存内容。例如,当只需要更新预取资源而不干扰预渲染页面时,可以仅使用"prefetchCache"值。
实现细节与兼容性考虑
为确保平稳过渡,这一变更将首先通过特性标志ClearSiteDataPrefetchPrerenderCache进行控制,默认处于禁用状态。这种渐进式发布策略允许浏览器厂商和开发者有足够时间进行测试和适配。
在底层实现上,浏览器需要:
- 解析新的Clear-Site-Data值
- 针对不同值执行对应的缓存清除操作
- 保持与现有"cache"值的向后兼容性
对开发者的影响
这一变更将为Web开发者带来更精细的缓存控制能力,特别是在以下场景中尤为有用:
- 需要单独刷新预取资源而不影响预渲染页面
- 仅需更新预渲染内容而保留预取缓存
- 针对不同用户群体实施差异化的缓存策略
开发者现在可以根据具体业务需求,选择最合适的缓存清除策略,从而在性能优化和资源更新之间取得更好的平衡。
未来展望
随着Web应用变得越来越复杂,对缓存控制的需求也将更加精细化。本次变更只是第一步,未来可能会引入更多针对特定场景的缓存控制选项。Web开发者应当关注这些变化,以便充分利用浏览器提供的最新功能来优化用户体验。
同时,浏览器厂商也需要确保这些新特性的实现符合规范,并在不同浏览器间保持一致行为,这正是Web Platform Tests项目存在的意义所在。
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