QUnit 2.24.0 版本发布:更完善的测试工具链
QUnit 是一个轻量级的 JavaScript 单元测试框架,广泛应用于前端和后端 JavaScript 代码的测试。它以其简洁的 API 和强大的断言功能著称,是 jQuery 项目的官方测试工具,也被许多知名开源项目所采用。
更全面的模块支持
在 2.24.0 版本中,QUnit 的 CLI 工具现在能够自动识别并执行 .mjs 和 .cjs 扩展名的测试文件,而不再仅限于传统的 .js 文件。这一改进使得开发者在使用 ES 模块或 CommonJS 模块时更加方便,无需额外配置即可运行测试。
对于需要排除某些文件类型的特殊情况,开发者仍然可以通过显式指定文件模式来精确控制测试范围,例如使用 test/*.js 或 test/**/*.js 这样的 glob 模式。
更清晰的错误堆栈
调试测试失败时,清晰的错误堆栈至关重要。新版本对 TAP 报告器进行了优化,能够自动过滤掉 QUnit 内部和 Node.js 运行时的堆栈帧,使开发者能够更专注于实际测试代码中的问题。这一改进显著提升了调试效率,特别是在处理异步测试或复杂调用链时。
更灵活的配置选项
新增的 QUnit.config.reporters.tap 配置项允许开发者通过预配置方式启用 TAP 报告器,而不必每次都通过命令行参数指定。这一改进使得持续集成环境中的配置更加简洁和可维护。
更强大的事件处理
runEnd 事件的增强为浏览器集成提供了更好的支持。现在,即使是在测试运行结束后才注册的监听器,也能获取到完整的测试结果摘要。这一改进特别适合那些需要在测试完成后收集和上报结果的监控工具。
性能优化与用户体验
HTML 报告器也获得了多项改进:
- 修复了"Source:"标签上意外的指针光标显示问题
- 优化了大型测试套件中"隐藏通过测试"功能的性能,切换速度显著提升
这些看似微小的改进实际上大大提升了开发者日常使用 QUnit 的体验,特别是在处理包含数百个测试用例的项目时。
生态系统的完善
除了核心功能的改进,QUnit 的生态系统也在不断完善。现在提供了更丰富的文档资源,包括异步测试、回调处理和基于事件的代码测试等常见场景的最佳实践指南。这些资源对于新手快速上手 QUnit 以及老用户深入理解高级用法都大有裨益。
QUnit 2.24.0 版本的这些改进,从文件支持到错误处理,从配置灵活性到性能优化,全方位提升了测试体验,使得这个已经十分成熟的测试框架更加完善和易用。无论是小型项目还是大型企业级应用,QUnit 都能提供可靠且高效的测试解决方案。
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-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