React Native Testing Library 对 React 19 的支持规划
React 团队近期发布了 React 19 beta 版本,这将对 React 生态系统产生重要影响。作为 React Native 生态中重要的测试工具库,React Native Testing Library(RNTL)需要提前规划对 React 19 的支持方案。
React 19 带来的主要变化
React 19 最值得注意的变化之一是 React Test Renderer 的弃用。虽然目前只是弃用而非移除,但这一变化将直接影响 RNTL 的核心依赖。RNTL 团队正在与 Meta 合作寻找合适的替代方案。
值得注意的是,在 React 19 的迁移指南中,RNTL 仍被推荐为 React Native 的首选测试解决方案。
兼容性现状
React 团队同时发布了 React 18.3 版本,该版本会触发针对 React 19 中将被弃用/移除功能的警告。经过测试,RNTL 的测试套件在 React 18.3 环境下全部通过且没有产生任何警告,这表明目前的 RNTL 代码与 React 19 的兼容性良好。
版本策略规划
考虑到 RNTL 的 API 已经相对成熟稳定,团队计划采用以下版本策略:
- 保持 RNTL v12 版本继续支持 React 18 及更早版本
- 发布 RNTL v13 版本专门支持 React 19
- 在 v13 中移除对 React 16、17 和 18 的遗留支持代码
这种策略可以简化代码库,让团队专注于 React 19 的支持。同时,团队将提供版本化的文档,方便不同 React 版本的用户查找相关信息。
浅渲染的兼容性问题
React 19 中一个已知的破坏性变化是 react-test-renderer/shallow 将抛出错误。虽然 RNTL 早已不再公开暴露浅渲染功能,但内部仍有一些相关代码需要清理。团队已经在相关 issue 中规划了移除这些内部浅渲染支持的工作。
迁移时间线
目前 React 官方博客尚未公布 React Native 迁移到 React 19 的具体时间表。但可以合理推测,这一迁移将在 React 19 稳定版发布前后进行。RNTL 团队将密切关注 React Native 的更新动态,确保测试库能够及时支持新版本。
总结
React Native Testing Library 团队已经为 React 19 的到来做好了充分准备。通过合理的版本规划和对兼容性问题的前瞻性处理,RNTL 将继续为 React Native 开发者提供稳定可靠的测试解决方案。开发者可以放心地规划自己的升级路线,RNTL 将确保测试代码在 React 19 时代依然能够稳定运行。
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