QuickJS-NG 项目中的 test262 测试并行化优化
在 JavaScript 引擎开发领域,test262 测试套件是验证引擎是否符合 ECMAScript 标准的重要工具。随着 QuickJS-NG 项目对 test262 测试覆盖范围的不断扩大,测试执行时间也随之增长,这对开发效率产生了直接影响。
问题背景
QuickJS-NG 项目中的 run-test262 工具目前以单线程方式执行测试,这在测试规模扩大后会导致明显的性能瓶颈。现代计算机普遍具备多核处理能力,如果能充分利用这些计算资源,理论上可以实现接近 N 倍的性能提升(N 为 CPU 核心数)。
技术挑战
实现多线程测试执行面临几个关键技术挑战:
-
测试结果收集:需要确保在多线程环境下,失败的测试用例能够被正确记录并保存到 test262_errors.txt 文件中。
-
结果排序:多线程执行会导致测试结果写入顺序不确定,需要保证最终输出的错误文件内容具有确定性,便于版本控制和结果比对。
-
线程安全:需要确保共享数据结构(如测试结果列表)的线程安全访问。
解决方案
项目采用了一种稳健的并行化方案:
-
测试枚举阶段:在测试开始前,首先递归扫描目录树收集所有测试文件,并使用 qsort 对这些文件按字母顺序排序,确保测试执行的确定性基础。
-
并行执行阶段:将排序后的测试列表分配给多个工作线程并行执行,每个线程独立运行分配的测试用例。
-
结果收集阶段:采用两种方式处理测试结果:
- 对于失败用例,将其记录到内存中的线程安全数据结构
- 实时输出详细测试报告到 test262_report.txt 文件(无需排序)
-
结果输出阶段:在所有线程完成后,对收集到的失败用例再次按字母顺序排序,然后写入 test262_errors.txt 文件,确保每次运行生成的错误文件内容一致。
实现细节
在具体实现上,项目维护了一个测试列表数据结构 namelist_t,其中包含测试文件数组和计数信息。关键函数 enumerate_tests 负责收集和排序测试文件:
/* 从目录树中查找 js 文件并排序列表 */
static void enumerate_tests(const char *path) {
namelist_t *lp = &test_list;
int start = lp->count;
ftw(path, add_test_file, 100);
qsort(lp->array + start, lp->count - start, sizeof(*lp->array),
namelist_cmp_indirect);
}
这种设计既保证了测试执行的并行效率,又确保了结果的可重复性,是工程实践中平衡性能和正确性的典范。
实际效益
通过这种并行化改造,QuickJS-NG 项目能够:
- 显著缩短测试执行时间,提高开发迭代速度
- 保持测试结果的确定性和可重复性
- 为未来更大规模的测试覆盖奠定基础
这种优化思路不仅适用于 QuickJS-NG,对于其他需要执行大规模测试套件的项目也具有参考价值,展示了如何通过合理的架构设计充分利用现代硬件资源。
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