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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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