Venom v1.3.0-beta.2 版本发布:测试自动化工具的重要更新
Venom 是一个功能强大的测试自动化工具,主要用于执行和管理各种类型的测试用例。它支持多种执行器,可以与不同的系统和协议进行交互,帮助开发者和测试人员构建可靠的自动化测试流程。本次发布的 v1.3.0-beta.2 版本带来了多项功能增强和问题修复,进一步提升了工具的稳定性和可用性。
核心功能改进
Redis 执行器增强
新版本为 Redis 执行器添加了对 ACL(访问控制列表)认证的支持。这意味着 Venom 现在可以更好地与配置了严格访问控制的 Redis 实例进行交互,满足了企业级安全需求。开发者现在可以在测试用例中配置用户名和密码来访问受 ACL 保护的 Redis 服务。
RabbitMQ RPC 支持
RabbitMQ 执行器获得了重大更新,新增了对 RPC(远程过程调用)模式的支持。这一改进使得 Venom 能够更好地测试基于 RabbitMQ 的微服务架构,验证消息的请求-响应模式是否正常工作。测试人员现在可以模拟客户端发送请求并验证服务端的响应是否符合预期。
用户体验优化
测试步骤计数功能
新版本引入了两个有用的内置变量:totalSteps 和 totalTestCases。这些变量会自动计算测试用例中的步骤总数和测试套件中的用例总数,为测试报告和条件判断提供了更多上下文信息。开发者可以利用这些变量创建更智能的测试逻辑,比如根据步骤数量动态调整断言。
失败日志增强
当测试步骤失败时,Venom 现在会记录该步骤的输出变量值。这一改进大大简化了调试过程,测试人员可以直接在日志中看到失败时的变量状态,而不需要额外添加调试语句或手动检查。
性能与稳定性提升
执行器性能优化
针对用户自定义执行器的性能问题进行了专门优化,显著减少了资源消耗和执行时间。这对于大型测试套件或持续集成环境尤为重要,可以加快整个测试流程的运行速度。
路径处理改进
工具现在能够正确处理绝对路径和相对路径的配置文件引用,避免了因路径处理不当导致的测试失败。这一改进使得测试用例在不同环境间的移植更加可靠。
文档与构建改进
安装体验优化
Windows 平台的安装体验得到改善,二进制文件现在使用标准的 .exe 扩展名,并安装在更符合 Windows 惯例的位置。这使得 Windows 用户能够更自然地使用 Venom。
代码质量提升
项目引入了代码格式化目标,确保代码风格的一致性。同时移除了对旧版插值库的依赖,简化了代码结构,提高了维护性。
总结
Venom v1.3.0-beta.2 版本通过多项功能增强和问题修复,进一步巩固了其作为现代化测试自动化工具的地位。无论是对于 Redis 和 RabbitMQ 等中间件的测试支持,还是用户体验和性能方面的改进,都体现了开发团队对工具质量的持续关注。这些改进使得 Venom 更适合在现代软件开发和持续集成环境中使用,帮助团队构建更可靠的自动化测试流程。
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