Redis-py项目中的pytest-asyncio兼容性问题解析
在Redis-py项目中,测试套件使用了一个已被弃用的pytest-asyncio参数,这导致了与最新版本pytest-asyncio的兼容性问题。本文将深入分析这一问题的技术背景和解决方案。
pytest-asyncio是一个用于测试异步代码的pytest插件,它允许开发者编写和运行异步测试用例。在Redis-py的测试代码中,多处使用了@pytest.mark.asyncio(forbid_global_loop=True)装饰器来标记异步测试函数。
这个forbid_global_loop参数实际上早在2017年发布的pytest-asyncio 0.6.0版本中就已经被移除了。在较旧的pytest-asyncio版本中,这个参数虽然被忽略但不会导致错误。然而,在即将发布的0.24.0版本中,插件开始严格检查标记参数,只允许接受scope这一个关键字参数,因此抛出了ValueError异常。
除了这个主要问题外,测试代码中还使用了已被弃用的event_loopfixture。现代异步测试的最佳实践是直接使用asyncio.get_running_loop()来获取当前事件循环,而不是依赖特定的fixture。
这类兼容性问题在Python生态系统中并不罕见,特别是在异步编程领域,随着asyncio API的不断演进,相关的测试工具也在持续更新。开发者需要定期检查测试依赖项的变更日志,及时更新测试代码以适应新版本的要求。
对于Redis-py项目来说,解决方案相对直接:只需移除所有测试函数中@pytest.mark.asyncio装饰器的forbid_global_loop参数即可。这个参数原本的功能在现代pytest-asyncio版本中已经通过其他方式实现,因此移除它不会影响测试的正确性。
这个案例也提醒我们,在编写测试代码时,应当关注测试依赖项的长期维护状态,避免使用已被弃用的API,以确保测试套件能够随着依赖项的更新而持续运行。同时,定期运行测试时使用依赖项的最新版本(包括预发布版本)可以帮助及早发现潜在的兼容性问题。
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