xUnit 3.0 新增通过 testconfig.json 配置测试运行参数功能
xUnit 3.0 版本中引入了一项重要改进:现在可以通过 testconfig.json 配置文件来设置 xUnit 测试运行时的各种参数。这一功能为开发者提供了更灵活的测试配置方式,特别是在持续集成和自动化测试场景下尤为实用。
功能背景
在传统的 .NET 测试生态中,RunSettings 文件一直是配置测试运行参数的主要方式。但随着测试平台的发展,Microsoft Testing Platform (MTP) 引入了 testconfig.json 作为新的配置文件格式。xUnit 3.0 顺应这一趋势,增加了对 testconfig.json 的支持。
配置方式
开发者现在可以在项目中创建 testconfig.json 文件,并通过 JSON 格式配置 xUnit 特定的运行参数。例如:
{
"xUnit": {
"showLiveOutput": "on",
"disableParallelization": true,
"maxParallelThreads": 4
}
}
这些配置项会与命令行参数合并使用,当两者存在冲突时,命令行参数的优先级更高。
技术实现细节
在底层实现上,xUnit 3.0 通过 MTP 提供的 IConfiguration 接口来读取这些配置。测试平台会构建一个 AggregatedConfiguration 对象,它聚合了来自多个配置源的数据。开发者也可以通过实现 IConfigurationSource 和 IConfigurationProvider 接口来扩展配置源。
与 RunSettings 的关系
虽然 testconfig.json 可以视为 RunSettings 的替代方案,但两者并不完全等同。testconfig.json 是 MTP 推荐的配置方式,但并非所有 RunSettings 中的选项都会在 testconfig.json 中可用。开发者需要根据实际需求选择合适的配置方式。
版本支持
这一功能已在 xUnit 3.0 预览版 v3.0.0-pre.6 中实现。对于需要精确控制测试行为的团队,特别是那些已经在使用 MTP 的项目,这一功能将大大简化测试配置的管理工作。
总结
xUnit 3.0 对 testconfig.json 的支持标志着这个流行的测试框架与现代 .NET 测试平台的深度集成。这一改进不仅提供了更灵活的配置选项,也为未来的功能扩展奠定了基础。开发者现在可以更轻松地在不同环境中管理和共享测试配置,进一步提升测试效率和可维护性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00