Jest-Extended 5.0.0 发布:全面升级的JavaScript测试增强库
Jest-Extended 是一个广受欢迎的 Jest 测试框架扩展库,它为开发者提供了更多强大且富有表现力的匹配器(matcher),让测试代码更加简洁和可读。本次发布的 5.0.0 版本带来了多项重要更新,包括对 Node.js 版本支持的调整、新匹配器的加入以及底层架构的重大改进。
核心变更解析
运行环境支持调整
在 5.0.0 版本中,项目决定放弃对 Node.js 16 和 18 版本的支持。这一变更反映了 JavaScript 生态系统的持续演进,也意味着项目可以更自由地使用现代 JavaScript 特性,而无需为旧版本提供兼容性支持。开发者如果需要继续使用这些 Node.js 版本,建议停留在 Jest-Extended 的 4.x 系列版本。
类型检查优化
新版本用原生类型检查替代了原有的 jest-get-type 依赖。这一改进不仅减少了项目的依赖项,还提高了类型检查的性能和可靠性。原生类型检查通常能更好地与 JavaScript 引擎集成,提供更准确的类型判断结果。
新增强大匹配器
5.0.0 版本引入了多个实用的新匹配器,显著增强了测试表达能力:
-
toIncludeSamePartialMembers:这个匹配器允许开发者验证一个数组是否包含与预期数组相同的部分成员,而不需要完全匹配。这在测试大型数据结构时特别有用,可以只关注关键部分而忽略不相关的数据。
-
变化相关匹配器组:新增了 toChange、toChangeBy 和 toChangeTo 三个匹配器,专门用于验证值的变化情况。这些匹配器使得测试状态变化更加直观:
- toChange 验证值是否发生了变化
- toChangeBy 验证值变化的具体量
- toChangeTo 验证值变化后的结果
架构升级:转向 TypeScript
项目从 JavaScript 迁移到了 TypeScript,这是 5.0.0 版本最重要的架构改进之一。TypeScript 的静态类型系统为项目带来了以下优势:
- 更好的代码可维护性
- 更早的错误检测
- 更完善的 IDE 支持
- 更清晰的 API 文档(通过类型定义)
对于使用者来说,这一变化意味着更好的类型提示和更少的运行时错误,特别是在 TypeScript 项目中。
自定义相等性测试支持
新版本增加了对自定义相等性测试器(equality testers)的支持。这一功能允许开发者定义自己的相等性比较逻辑,当内置的匹配器无法满足特定场景的比较需求时,可以灵活扩展。例如,在处理特殊对象或自定义数据结构时,开发者可以精确控制如何判断两个实例是否"相等"。
其他改进
- 修复了 toBeInRange 匹配器的错误描述,使其更加准确
- 常规依赖项更新,确保项目使用最新、最安全的第三方库
升级建议
对于现有项目,升级到 5.0.0 版本需要注意以下几点:
- 确保运行环境使用 Node.js 20 或更高版本
- 检查是否依赖了被移除或更改的 API
- 考虑利用新的匹配器简化现有测试代码
- TypeScript 项目将获得更好的类型支持
新匹配器的加入特别值得关注,它们可以显著提高测试代码的表达能力。例如,变化相关的匹配器可以替代许多手动编写的状态变化断言,使测试意图更加清晰。
总结
Jest-Extended 5.0.0 标志着这个流行测试扩展库的重要进化。通过放弃旧版本支持、转向 TypeScript 和引入强大的新匹配器,项目为现代 JavaScript 测试提供了更强大、更可靠的工具。这些改进不仅提升了开发体验,也为未来的功能扩展奠定了更坚实的基础。对于重视测试质量的团队来说,升级到 5.0.0 版本将带来显著的长期收益。
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