ts-rs v11.0.0发布:更强大的Rust到TypeScript类型转换工具
ts-rs是一个优秀的Rust库,它能够自动将Rust类型转换为TypeScript类型定义,极大地简化了前后端类型同步的工作。这个工具特别适合全栈开发场景,让开发者可以保持前后端类型系统的一致性,减少手动维护类型定义的工作量。
主要更新内容
1. 可选字段的批量声明
新版本引入了#[ts(optional_fields)]属性,这是一个非常实用的功能。在之前的版本中,如果我们需要将一个结构体的所有字段都声明为可选,需要为每个字段单独添加#[ts(optional)]属性。现在,只需要在结构体级别添加#[ts(optional_fields)]就能实现同样的效果。
#[derive(TS)]
#[ts(optional_fields)]
struct Form {
first_name: Option<String>, // 生成 first_name?: string
last_name: Option<String>, // 生成 last_name?: string
email: Option<String>, // 生成 email?: string
}
这个特性特别适合处理表单数据或API请求体这类场景,其中很多字段都是可选的。
2. 增强的serde兼容性
ts-rs现在更好地与serde序列化库集成。当字段同时使用#[serde(skip_serializing_if)]和#[serde(default)]属性时,ts-rs会自动将这些字段转换为TypeScript中的可选属性。
#[derive(Serialize, Deserialize, TS)]
struct User {
#[serde(skip_serializing_if = "Option::is_none", default)]
nickname: Option<String>, // 生成 nickname?: string | null
}
这种改进确保了生成的TypeScript类型既能正确反映序列化行为,也能匹配反序列化需求,减少了类型不匹配的问题。
3. 更灵活的属性表达式
新版本允许在多个属性中使用任意Rust表达式,这为类型定义带来了更大的灵活性:
// 使用模块路径作为类型名称
#[derive(TS)]
#[ts(rename = module_path!().rsplit_once("::").unwrap().1)]
struct Model;
// 在文档注释中包含文件路径信息
#[derive(TS)]
#[doc = concat!("定义于 ", file!())]
struct UserGroup;
这个特性特别适合大型项目或代码生成场景,可以实现更动态的类型定义方式。
4. 元组结构体的可选字段
现在可以在元组结构体中使用#[ts(optional)]属性标记可选字段:
#[derive(TS)]
struct Location(Country, State, #[ts(optional)] City); // 生成 [Country, State, City?]
这使得元组结构体的类型转换更加灵活,能够更好地表达各种数据结构。
升级注意事项
从v10升级到v11时需要注意以下几点:
-
当同时使用
#[serde(skip_serializing(_if))]和#[serde(default)]时,字段现在会被转换为可选属性。如果不需要这种行为,可以使用#[ts(optional = false)]显式禁用。 -
ts_rs::TStrait的API有微小调整,大多数用户不会受到影响,但如果直接与这个trait交互,可能需要做少量调整。
技术实现亮点
-
更智能的serde属性处理:通过分析serde属性组合,自动推断出最合适的TypeScript类型表示。
-
表达式支持:利用Rust的宏系统,实现了对任意表达式的解析和求值,大大增强了属性的表达能力。
-
类型系统改进:优化了内部类型表示,使得可选类型的处理更加一致和可靠。
适用场景
ts-rs v11.0.0特别适合以下场景:
-
全栈TypeScript项目:保持前后端类型定义完全同步。
-
API文档生成:结合Swagger或其他文档工具,自动生成准确的类型定义。
-
大型项目维护:减少手动维护类型定义的工作量,提高开发效率。
-
动态类型需求:利用新的表达式支持,实现更灵活的类型生成逻辑。
这个版本的发布标志着ts-rs在Rust和TypeScript互操作领域又迈出了重要一步,为开发者提供了更强大、更灵活的类型转换能力。
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