Berria: Txat widget mugikorra admin-bar egoera-adierazlearekin — saioa hasita duen edozein erabiltzailek browser-side LLMri zuzenean bidal diezaioke prompt bat frontend-etik.
Berria: SharedWorker exekuzio-ingurunea — MLC motorra orain SharedWorker batean exekutatzen da; horrela, hainbat fitxak GPU saio bakarra partekatzen dute, haren gainean lehiatu beharrean.
Berria: apiFetch middleware interceptor — AI Client SDK ereduarekin bat datozen WordPress REST eskaerak gardentasunez bideratzen dira tokiko WebLLM broker-era, loopback HTTP joan-etorririk behar izan gabe.
Konponketa: IndexedDB cache backend-a behartu, modeloaren pisuen deskargek HuggingFace xet CDN birbideratzeak gaindi ditzaten, birbideratze horiek Cache API bide lehenetsia hondatzen dutelako.
Konponketa: embedding modeloetarako context_window KV-cache gainidaztea saltatu (ez dute decoder-ik, eta gainidazteak exekuzio-errore bat eragiten zuen).
Konponketa: cold-start model hautagaia /webllm/v1/models-en iragarri worker fitxa kargatu baino lehen, SDK kontsumitzaileek berehala modelo bat ikus dezaten.
Konponketa: WebLLM wpai_preferred_text_models filter-ean konektatu, AI Experiments eginbideak browser motorrera bidera dezan modelo bat konfiguratuta dagoenean.
Hobetua: Cache-busting, eduki-normalizazioa eta hardware-erreferentzien konponketak azaleratu ziren muturretik muturrerako probetan.