Plutus项目中的goldenBudget测试改进方案
2025-07-10 21:45:11作者:蔡怀权
在Plutus项目的测试体系中,goldenBudget测试是一个用于验证合约执行成本预算的重要工具。然而,当前实现存在一个明显的不足:它仅显示预算结果而不展示实际执行结果,这在测试验证过程中可能会带来一些问题。
当前实现的问题分析
目前goldenBudget测试的实现方式存在以下局限性:
-
结果验证缺失:测试仅关注预算值,而忽略了执行结果的正确性验证。这意味着即使预算值符合预期,但如果执行结果错误,测试仍然会通过,这显然是不合理的。
-
代码重复:在实际测试用例中,开发人员不得不为同一个测试编写两段代码:一段用于验证执行结果,另一段用于验证预算。这不仅增加了维护成本,也降低了代码的可读性。
改进方案建议
针对上述问题,技术团队提出了以下改进方向:
1. 集成结果验证功能
最直接的解决方案是在goldenBudget测试中同时验证执行结果。这样做的优势在于:
- 确保预算验证的前提(执行结果正确)得到满足
- 减少重复测试代码
- 提高测试的完整性和可靠性
2. 灵活的测试组合
考虑到不同测试场景的需求差异,可以设计三种测试模式:
- 仅预算测试:专注于成本预算验证
- 仅结果测试:专注于执行结果验证
- 预算+结果组合测试:同时验证两者
这种设计既保持了灵活性,又能满足大多数场景下同时验证预算和结果的需求。
实现考量
在具体实现时,需要注意以下几点:
-
错误隔离:当组合测试失败时,需要明确区分是预算不匹配还是结果不正确,以便开发者快速定位问题。
-
向后兼容:现有测试用例应能继续工作,新的组合测试功能应作为扩展提供。
-
测试粒度:保持细粒度的测试反馈,确保开发者能准确了解测试失败的具体原因。
技术实现示例
可以采用类似以下的实现方式:
goldenEvalCekCatchBudget :: String -> CompiledCode a -> TestTree
goldenEvalCekCatchBudget label code = testGroup label
[ goldenEvalCekCatch label code
, goldenBudget label code
]
这种实现方式既保持了原有测试的独立性,又提供了组合测试的便利性,同时确保了测试失败的精确反馈。
总结
在智能合约开发中,执行成本和执行结果的正确性同等重要。Plutus项目通过改进goldenBudget测试,使其能够同时验证这两方面,将显著提高测试的可靠性和开发效率。这一改进不仅解决了当前测试体系中的不足,也为未来的测试扩展奠定了良好的基础。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
412
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146