ArchUnit 1.4.0版本发布:Java架构测试框架的重要更新
ArchUnit是一个基于Java的轻量级架构测试框架,它允许开发人员通过简单的单元测试来验证代码库是否符合预定义的架构规则。通过ArchUnit,团队可以确保代码遵循分层架构、包依赖规则、命名约定等架构约束,从而保持代码库的整洁和可维护性。
Java 24支持与性能优化
ArchUnit 1.4.0版本最显著的变化之一是增加了对Java 24的支持,包括对class文件主版本68的兼容。这使得使用最新Java版本的开发团队能够无缝集成ArchUnit到他们的开发流程中。
在性能方面,新版本对传递性依赖检查进行了优化。传递性依赖检查是ArchUnit中一个常用功能,用于验证类或包之间的依赖关系是否符合预期。通过这次优化,大型项目中的架构测试执行时间将显著减少,这对于持续集成环境尤为重要。
新增与改进的编码规则
1.4.0版本引入了几个重要的编码规则改进:
-
新增日期时间类使用规则:
GeneralCodingRules.OLD_DATE_AND_TIME_CLASSES_SHOULD_NOT_BE_USED规则可以帮助团队避免使用过时的日期时间API(如java.util.Date),转而使用java.time包中的现代API。 -
测试类位置规则改进:
GeneralCodingRules.testClassesShouldResideInTheSamePackageAsImplementation规则现在更加智能,不会因为某些实现类所在包中没有测试类而误报失败。这一改进使得规则在实际项目中更加实用。
JUnit集成增强
对于使用JUnit的团队,1.4.0版本带来了两个重要改进:
-
修复了测试过滤器问题:解决了当使用junit.testFilter时可能导致测试失败的问题,使得在大型项目中选择性运行架构测试成为可能。
-
支持元注解:
@AnalyzeClasses注解现在可以作为元注解使用,这意味着开发人员可以创建自定义的组合注解,简化测试类的配置。
文档完善与内部改进
除了功能增强外,1.4.0版本还包含多项文档和内部改进:
-
修正了用户指南中关于
@AnalyzeClasses默认行为的错误描述,确保开发者能够正确理解和使用这一重要注解。 -
对切片(Slices)相关的文档进行了澄清,帮助开发者更好地理解和使用这一高级功能。
在内部架构方面,项目已经开始向JUnit 5迁移做准备,同时将Gradle构建工具从7.6升级到了8.12版本。持续集成环境也扩展到了支持JDK 21,确保框架能够在最新的Java环境中稳定运行。
总结
ArchUnit 1.4.0版本通过新增功能、性能优化和问题修复,进一步巩固了其作为Java架构测试首选工具的地位。无论是支持最新Java版本、优化大型项目中的性能,还是提供更加灵活的测试配置选项,这些改进都使得ArchUnit能够更好地服务于各种规模的Java项目。对于注重代码质量和架构整洁的团队来说,升级到1.4.0版本将带来显著的开发体验提升。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00