Rsbuild v1.2.8 版本发布:优化构建缓存与资源预加载
Rsbuild 是一个现代化的前端构建工具,它基于 Rspack 和 Webpack 构建,旨在为开发者提供高性能、易配置的构建体验。Rsbuild 通过预设最佳实践和开箱即用的功能,帮助开发者快速搭建高效的前端项目构建流程。
在最新发布的 v1.2.8 版本中,Rsbuild 团队带来了一系列实用功能改进和问题修复,进一步提升了开发体验和构建效率。让我们一起来看看这个版本的主要更新内容。
构建缓存依赖管理增强
Rsbuild v1.2.8 引入了 buildCache.buildDependencies 配置项,这是一个重要的功能增强。在大型项目中,构建缓存是提升开发效率的关键因素,但有时候缓存失效机制不够精确,导致开发者需要手动清除缓存。
新版本允许开发者显式声明构建依赖关系,当这些依赖发生变化时,构建缓存会自动失效。例如,当项目中的配置文件或工具链版本更新时,可以确保构建系统能够感知这些变化并重新构建相关部分,而不需要开发者手动干预。
资源预加载功能优化
资源预加载是现代前端性能优化的重要手段之一。v1.2.8 版本改进了预加载链接的生成逻辑,现在支持为重复资源生成预加载链接。这意味着即使同一个资源在多个地方被引用,系统也会为其生成适当的预加载提示,帮助浏览器更早地发现和加载关键资源。
开发者体验提升
本次更新还包含多项开发者体验的改进:
-
开发服务器实例现在可以通过
onBeforeStartDevServer钩子获取,为开发者提供了更大的灵活性,可以在服务器启动前进行自定义配置。 -
文件大小报告现在会排除
.d.ts类型声明文件,使得构建输出的分析更加准确和聚焦于实际会影响运行时性能的资源。 -
修复了 gzip 压缩后文件总大小的计算问题,确保构建统计信息的准确性。
-
改进了 ESM 模块加载逻辑,移除了对
.mjs后缀的硬性检查,使得模块解析更加灵活。
构建工具链优化
在底层依赖方面,v1.2.8 版本也进行了多项优化:
- 移除了不必要的
@babel/preset-env依赖,简化了工具链 - 更新了 Webpack 到 5.98.0 版本
- 更新了 Svelte 到 5.20.0 版本
这些更新确保了 Rsbuild 能够利用最新的构建工具特性和性能改进。
总结
Rsbuild v1.2.8 版本虽然在功能上没有重大突破,但在构建缓存管理、资源预加载和开发者体验等方面都做出了有价值的改进。这些优化使得 Rsbuild 在保持轻量级的同时,能够更好地满足复杂项目的构建需求。
对于正在使用 Rsbuild 的开发者来说,升级到这个版本可以获得更精确的缓存失效机制、更完善的资源预加载支持,以及更准确的构建分析数据。这些改进将有助于提升开发效率和最终应用的性能表现。
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