Swift Dependencies 1.8.0 版本发布:测试特性增强与稳定性提升
Swift Dependencies 是一个用于管理 Swift 应用中依赖关系的库,它提供了一种声明式和可测试的方式来处理应用中的各种依赖项。通过这个库,开发者可以更容易地管理、替换和测试应用中的各种服务、存储和其他依赖项。
测试特性增强
1.8.0 版本带来了对测试特性的重要改进。.dependencies 和 .dependency 测试特性现在能够更好地利用 Swift 6.1 的 TestScoping 功能(如果可用)。这意味着依赖注入在测试环境中将变得更加可靠和一致。
特别值得注意的是,.dependencies 特性现在可以以"裸"方式在基础测试套件上使用。这种用法确保所有测试默认都会获得一组唯一的依赖项,从而避免了测试间的相互干扰。开发者可以这样使用:
@Suite(.dependencies) struct BaseTests {}
这种改进对于编写隔离性更好的测试非常有帮助,特别是在大型项目中,测试间的依赖隔离是保证测试可靠性的关键。
稳定性修复
本次版本还修复了一个测试数据竞争问题。在依赖缓存中可能存在的数据竞争问题已经被解决,这使得在多线程测试环境下使用 Swift Dependencies 更加安全可靠。数据竞争是并发编程中的常见问题,可能导致难以追踪的bug,这个修复提升了库的整体稳定性。
基础设施改进
在基础设施方面,项目现在支持在 Linux 测试矩阵中添加 Swift 6.0,这扩展了库的兼容性范围。此外,项目还增加了对 prepareDependencies 的测试并更新了相关文档,使得这个功能的使用更加清晰和可靠。
prepareDependencies 是一个重要的功能,它允许开发者在依赖项被使用前进行一些准备工作或配置。通过增加测试和完善文档,开发者现在可以更自信地使用这个功能。
总结
Swift Dependencies 1.8.0 版本主要聚焦于提升测试体验和系统稳定性。通过改进测试特性和修复潜在问题,它为开发者提供了更强大、更可靠的依赖管理工具。特别是对于重视测试驱动开发(TDD)或行为驱动开发(BDD)的团队,这些改进将显著提升开发效率和测试可靠性。
对于已经在使用 Swift Dependencies 的项目,升级到 1.8.0 版本将获得更好的测试隔离性和更稳定的运行表现。对于新项目,这个版本提供了更加完善的依赖管理解决方案,特别是在测试方面的支持更加全面。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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