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。
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-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