Bun JavaScript运行时和工具包的1.3版本正式发布,进一步推进了将分散的JavaScript工具链整合为单一解决方案的目标。然而快速扩张让一些开发者质疑Bun是否试图做得太多、太快。
Bun由Zig编写,基于苹果支持的JavaScript Core引擎,旨在实现高性能、Node.js兼容性以及为应用开发者提供一体化支持。
创建者Jarred Sumner和团队发布了近14000字的新功能介绍:支持热重载的全栈开发服务器(意味着代码更改会立即反映在运行的应用程序中);支持PostgreSQL、MySQL和SQLite客户端的SQL API;Redis支持;增强路由;跨平台编译为独立可执行文件;安全扫描器API;以及隔离安装以最小化依赖冲突和问题。
隔离安装意味着包(库)只能访问明确声明的依赖项。这通过在node_modules下创建特定于包的目录来实现,依赖项存储在其中,降低了包意外使用不同于其设计时使用的依赖项的风险。
软件工程师Dylan Conway声称,将JavaScript Core的垃圾收集器与Bun的事件循环集成(1.3版本的新特性)实现了空闲CPU时间减少100倍,空闲内存使用量减少40%。更密集的资源使用应该会转化为更低的托管成本。
团队提到的一些新功能,如Redis客户端,已经在之前的小版本更新中发布,但Bun快速演进毋庸置疑。项目范围稳步扩大。文档中的一条注释表明"长期来看,Bun旨在提供一个一体化工具包,以取代当今常见的复杂、分散的工具链:Node.js、Jest、Webpack、esbuild、Babel、yarn、PostCSS等。"
Bun 1.3被描述为系列版本的开始,下一步可能是发布Bake,这是一个支持React服务器组件和服务器操作的内置服务器。Bake原本计划与Bun 1.3一起发布,但Sumner在官方Discord论坛上表示"它还没有准备好,我们不想进一步延迟bun 1.3的发布。"
距离2023年9月Bun 1.0发布仅两年时间,但其受欢迎程度不断增长;Sumner表示该工具包现在每月下载量超过500万次。Bun用户包括Anthropic,该公司将其用于Claude Code CLI(命令行界面)。
然而开发者对此看法不一。一位开发者表示:"Bun已经变成了一个巨兽。几乎涵盖了某人在其环境中可能需要的每个功能";而另一位则质疑"我不确定我是否希望通常作为外部库的所有内容都来自一个地方。"
在快速发布新功能时质量有时也会受损,另一个因素可能是Zig仍在演进且仍处于预览版,撰写本文时最新版本为0.15.1。在Bun问题列表中,分段错误(非法内存访问,如越界错误)报告并不少见。
Bun在MIT许可下开源,但一些人对其背后的商业模式感到困惑。Sumner最初表示这将基于"快速无服务器托管",这也是Vercel采用的方法,其联合创始人Guillermo Rauch参与了2022年Oven的融资轮。
Reddit上一位用户发现了"Bun首个创收产品"的职位空缺,该产品将"将Bun的速度与现代AI能力相结合"。
Q&A
Q1:Bun是什么?它的主要目标是什么?
A:Bun是一个JavaScript运行时和工具包,由Zig编写,基于苹果的JavaScript Core引擎。它的主要目标是将分散的JavaScript工具链整合为单一解决方案,提供高性能、Node.js兼容性以及一体化开发支持。
Q2:Bun 1.3版本有哪些新功能?
A:Bun 1.3版本新增了支持热重载的全栈开发服务器、支持PostgreSQL/MySQL/SQLite的SQL API、Redis支持、增强路由、跨平台编译、安全扫描器API以及隔离安装功能,还优化了垃圾收集器,实现了空闲CPU时间减少100倍。
Q3:开发者对Bun快速扩张有什么担忧?
A:一些开发者担心Bun试图做得太多太快,质疑是否需要将通常作为外部库的功能都整合到一个地方。此外,快速发布新功能可能影响质量,分段错误等问题在Bun的问题列表中并不少见。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。