Detox项目发布20.37.0版本:全面支持React Native 0.77新架构
Detox是一个由Wix开发的端到端测试框架,专门为React Native应用设计。它允许开发者在模拟器或真实设备上运行自动化测试,验证应用在不同场景下的行为表现。与传统的单元测试不同,Detox关注的是用户视角下的完整应用流程测试,能够模拟真实用户操作并验证UI状态变化。
近日,Detox团队发布了20.37.0版本,这一版本最重要的改进是正式支持React Native 0.77及其新架构特性。对于React Native开发者而言,这意味着可以在最新的RN版本上无缝使用Detox进行全面的端到端测试,而不用担心兼容性问题。
新版本核心特性
1. React Native 0.77全面兼容
20.37.0版本最显著的改进是增加了对React Native 0.77的官方支持。这一支持不仅限于基本功能的兼容,还包括了对RN 0.77新架构特性的完整支持。新架构是React Native团队近年来最重要的技术革新,它通过引入TurboModules和Fabric渲染器,显著提升了应用的性能和响应速度。
对于测试框架而言,支持新架构意味着需要处理更复杂的底层交互。Detox团队通过内部适配,确保了测试脚本能够正确识别和操作由新架构渲染的组件,保持测试的稳定性和准确性。
2. 继承20.34.0版本的兼容性基础
值得注意的是,20.37.0版本是在20.34.0版本的基础上构建的,后者已经提供了对React Native 0.76的兼容支持。这种渐进式的兼容性更新策略,使得Detox能够紧跟React Native的发展步伐,同时保持每个版本的稳定性。
技术实现细节
为了实现与React Native 0.77的兼容,Detox团队主要进行了以下技术调整:
-
底层依赖更新:更新了与React Native相关的所有底层依赖,确保它们与0.77版本的API和架构保持同步。
-
新架构适配:针对TurboModules和Fabric渲染器进行了专门的适配工作,确保测试引擎能够正确识别和操作由新架构渲染的UI组件。
-
测试基础设施升级:更新了内部的测试运行环境,以验证Detox在新架构下的各种测试场景。
升级建议
对于正在使用Detox的React Native开发者,如果计划升级到RN 0.77,建议同步升级Detox到20.37.0版本。升级过程中需要注意以下几点:
-
渐进式升级:如果从较旧版本升级,建议先升级到20.34.0版本,验证基本功能后再升级到20.37.0。
-
测试覆盖:升级后应全面运行现有的测试套件,确保所有测试用例在新环境下仍能正常工作。
-
新特性验证:如果有使用RN 0.77的新特性,应添加相应的测试用例来验证这些特性在Detox环境下的表现。
未来展望
随着React Native新架构的逐步成熟,Detox团队表示将继续跟进RN核心团队的发展路线图。未来版本可能会进一步优化在新架构下的测试性能,并可能引入针对新架构特性的专属测试工具和方法。
对于依赖Detox进行质量保障的React Native团队来说,20.37.0版本的发布消除了升级到RN 0.77的技术障碍,使得他们能够同时享受RN新架构的性能优势和Detox强大的测试能力。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00