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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00