pytest-asyncio 1.1.0a1版本发布:异步测试框架的重大更新
pytest-asyncio是一个流行的Python测试插件,它允许开发者在pytest框架中轻松编写和运行异步测试代码。这个插件为asyncio库提供了深度集成,使得测试异步代码变得像测试同步代码一样简单。最新发布的1.1.0a1版本带来了多项重要改进和修复,特别是在上下文变量传播和任务取消方面有了显著增强。
上下文变量传播的改进
在Python 3.10及更早版本中,pytest-asyncio现在能够正确传播ContextVars从异步fixture到其他fixture和测试用例。这一改进解决了长期存在的上下文变量在异步测试中丢失的问题,使得依赖上下文变量的代码能够更可靠地进行测试。
上下文变量(ContextVars)是Python 3.7引入的一种机制,用于在异步代码中维护"上下文"状态。在之前的版本中,当上下文变量从一个异步fixture传递到测试用例或其他fixture时,可能会出现丢失的情况。这个版本的改进确保了上下文状态在整个测试过程中保持一致,这对于测试依赖上下文管理的应用程序(如web框架)尤为重要。
任务取消机制的增强
1.1.0a1版本引入了loop_scope结束时自动取消任务的功能。这一改进解决了异步测试中潜在的任务泄漏问题,确保测试结束后所有创建的异步任务都会被正确清理。
在实际测试中,开发者可能会创建后台任务来模拟某些异步行为。如果这些任务没有被正确取消,可能会导致测试间相互干扰或资源泄漏。新版本的自动取消机制提高了测试的隔离性和可靠性,减少了因任务泄漏导致的难以诊断的问题。
事件循环关闭的警告机制
新版本增加了当测试关闭当前事件循环时的警告功能。这一改进帮助开发者及时发现可能影响后续测试的事件循环管理问题。
在异步测试中,不当的事件循环管理可能导致难以追踪的错误。例如,一个测试意外关闭了事件循环,而后续测试又尝试使用它,就会导致测试失败。新的警告机制让这类问题更容易被发现和修复。
重要问题修复
1.1.0a1版本修复了几个关键问题:
-
修复了在任务finally子句中调用需要事件循环的函数时出现的"missing loop"错误。这个问题影响了需要在清理阶段执行异步操作的测试场景。
-
解决了可能导致重复警告的问题,使测试输出更加清晰和有用。
兼容性说明
对于使用Python 3.10及更早版本的用户,新版本引入了对backports.asyncio.runner的运行时依赖。这个依赖提供了必要的兼容性支持,确保新功能在所有支持的Python版本上都能正常工作。
总结
pytest-asyncio 1.1.0a1版本通过增强上下文变量支持、改进任务生命周期管理和增加诊断功能,显著提升了异步测试的可靠性和开发者体验。这些改进使得测试异步代码更加健壮,减少了潜在的问题和调试时间。对于任何使用asyncio进行开发的Python项目,升级到这个版本将带来明显的测试质量提升。
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