QuickJS-NG 中的 FinalizationRegistry 与垃圾回收机制问题分析
背景介绍
FinalizationRegistry 是 JavaScript 中一个相对较新的 API,它允许开发者注册对象在被垃圾回收时执行回调函数。这个功能在某些特殊场景下非常有用,比如资源清理、内存监控等。然而在 QuickJS-NG 项目中,用户报告了一个关于 FinalizationRegistry 与垃圾回收机制配合工作异常的问题。
问题现象
用户提供了一个简单的测试用例,展示了在 QuickJS-NG 中 FinalizationRegistry 的行为与预期不符:
(async () => {
const loggingFinalizer = new FinalizationRegistry((x) => {
console.log('FINALIZING', x)
});
{
let obj = { name: 'John' };
loggingFinalizer.register(obj, obj.name);
obj = null;
}
if ('tjs' in globalThis) globalThis.tjs.engine.gc.run();
if ('gc' in globalThis) globalThis.gc();
await new Promise((r) => setTimeout(r, 1000));
})();
按照 JavaScript 规范,这段代码应该输出"FINALIZING John",但在 QuickJS-NG 中却没有任何输出,程序直接退出。相比之下,在 Deno 环境下(使用 V8 引擎)运行相同的代码则表现正常。
技术分析
FinalizationRegistry 的工作原理
FinalizationRegistry 是 ES2021 引入的特性,它提供了一种机制来观察对象何时被垃圾回收。其核心工作流程是:
- 创建一个 FinalizationRegistry 实例,并指定回调函数
- 使用 register() 方法注册需要监视的对象
- 当注册的对象变得不可达时,垃圾回收器会在某个时刻调用注册的回调
QuickJS-NG 的实现差异
QuickJS-NG 是基于 QuickJS 的增强版本,而 QuickJS 本身是一个轻量级的 JavaScript 引擎。与 V8 这样的全功能引擎相比,它在垃圾回收和 FinalizationRegistry 的实现上可能有以下差异:
- 垃圾回收策略不同:QuickJS 可能采用了不同的垃圾回收算法,导致对象回收的时机与 V8 不同
- FinalizationRegistry 实现完整性:轻量级引擎可能没有完全实现规范中的所有边缘情况
- 强制GC的差异:不同引擎暴露给JavaScript的GC接口可能有不同的行为
问题根源
从代码提交记录来看,这个问题已经被修复。修复可能涉及以下方面:
- 确保 FinalizationRegistry 回调在对象被回收时正确触发
- 改进垃圾回收器与 FinalizationRegistry 的集成
- 修正强制GC操作对FinalizationRegistry的影响
解决方案与最佳实践
对于遇到类似问题的开发者,可以考虑以下建议:
- 明确GC行为:不同JavaScript引擎的垃圾回收行为可能不同,不要依赖特定的GC时机
- 谨慎使用FinalizationRegistry:这个API本身就有不确定性,规范不保证回调何时执行
- 替代方案:对于资源清理等场景,考虑使用显式的dispose模式或try-finally
- 测试多环境:在依赖GC相关特性时,需要在目标环境中充分测试
总结
QuickJS-NG 作为一个轻量级 JavaScript 引擎,在实现 ECMAScript 新特性时可能会与主流引擎存在行为差异。这次 FinalizationRegistry 的问题展示了垃圾回收相关API实现的复杂性。开发者在使用这些高级特性时应当注意引擎差异,并关注项目的更新以获取问题修复。
这个案例也提醒我们,JavaScript 生态中不同引擎的实现差异仍然是需要关注的问题,特别是在使用较新或较高级的语言特性时。
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