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。
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0124AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









