NowInAndroid项目中的Windows平台测试问题分析与解决
问题背景
在NowInAndroid项目的开发过程中,开发者在Windows操作系统上运行DemoDebug变体的本地测试时遇到了测试失败的问题。具体表现为运行./gradlew testDemoDebug命令时,测试无法通过,主要出现了两类错误:Robolectric原生运行时资源未找到错误和DataStore文件操作冲突错误。
问题分析
Robolectric原生运行时问题
测试失败的第一类错误是resource native/windows/x86_64/robolectric-nativeruntime.dll not found。这个问题源于项目使用的Roborazzi截图测试库,它内部依赖Robolectric的NATIVE GraphicsMode。虽然Robolectric从4.12版本开始增加了对Windows平台原生运行时(包括原生SQLite和图形模式)的支持,但在实际使用中仍然存在一些问题。
Windows操作系统对已打开的原生代码文件有更严格的保护机制。与Mac和Linux不同,在Windows上无法在同一个进程中删除已打开的原生运行时DLL临时文件。类似的问题也出现在字体文件的操作上。这导致了测试过程中资源访问冲突的问题。
DataStore文件冲突问题
第二类错误是Unable to rename user_preferences_test.pb.tmp的IO异常。这表明存在多个DataStore实例尝试操作同一个文件的情况。DataStore设计上要求对每个文件只能创建一个实例,当多个实例同时操作时就会出现这种文件重命名冲突。
这个问题与平台无关,是DataStore使用方式上的问题。Google团队已经意识到这个问题,并计划在未来的DataStore版本中解决。
解决方案
针对Robolectric问题的解决
-
版本升级:确保使用Robolectric 4.12或更高版本,这些版本已经增加了对Windows平台原生运行时的基本支持。
-
日志优化:Robolectric 4.12.1版本减少了Windows平台上的日志噪音,虽然不能完全解决根本问题,但能改善开发体验。
-
平台差异认知:开发者需要认识到不同平台(Linux/Mac/Windows)上的渲染结果可能存在差异。这是因为底层原生库(如skia、minikin等)有平台特定的实现细节。
针对DataStore问题的解决
-
单例模式:确保对每个DataStore文件只创建一个实例,避免多实例冲突。
-
等待官方修复:关注DataStore的后续版本更新,官方已承诺会解决这个问题。
测试建议
对于Windows平台的开发者,在进行NowInAndroid项目开发时:
- 理解某些测试(特别是涉及原生图形操作的测试)可能在Windows上表现不同
- 关注Robolectric和DataStore的版本更新,及时升级到修复了相关问题的版本
- 对于必须通过的测试,可以考虑在Linux或Mac环境下运行
- 对于截图比较测试,允许存在合理的平台差异
总结
NowInAndroid项目在Windows平台上的测试问题主要来自两个方面:Robolectric原生运行时的平台兼容性和DataStore的文件操作机制。通过版本升级、正确使用API以及对平台差异的正确认知,开发者可以有效地解决或规避这些问题。随着相关库的不断更新完善,这些问题的最终解决方案也在逐步推进中。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00