Mockolo 2.4.0 发布:Swift 模拟框架的重大更新
Mockolo 是 Uber 开源的一款 Swift 模拟框架生成工具,它能够根据 Swift 协议自动生成对应的模拟类实现。这个工具特别适合在单元测试中使用,可以大大减少手动编写测试替身(Test Doubles)的工作量。最新发布的 2.4.0 版本带来了多项重要改进和错误修复,进一步提升了框架的稳定性和功能性。
关联类型约束支持
2.4.0 版本最显著的改进是对带有约束的关联类型(associatedtype with constraints)的支持。在之前的版本中,当协议中定义了带有约束的关联类型时,生成的模拟类会出现类型不匹配的问题。
例如,对于以下协议定义:
protocol Foo {
associatedtype T: StringProtocol
}
旧版本会生成:
class FooMock: Foo {
typealias T = StringProtocol
init() { }
}
这会导致编译错误,因为 StringProtocol 本身并不符合 StringProtocol 协议。新版本通过将模拟类改为泛型类,完美解决了这个问题:
class FooMock<T: StringProtocol>: Foo {
init() { }
}
这一改进使得 Mockolo 能够正确处理更复杂的协议定义,特别是那些使用关联类型约束的场景。
错误修复
2.4.0 版本修复了几个关键问题:
-
避免对"Unknown"类型名的特殊处理:修复了在某些情况下对未知类型名的处理逻辑,提高了代码生成的准确性。
-
移除 NominalModel 中的 metadata:这一改动修复了 Rx SubjectType 在模拟类初始化中的正确性问题,使得生成的代码更加符合预期。
测试与维护改进
开发团队对测试套件进行了多项改进:
-
在变量测试(VarTests)中使用
@Fixture注解,提高了测试的可读性和维护性。 -
在 Rx 测试中同样采用
@Fixture注解,并移除了use-mock-observable标志,简化了测试配置。 -
从
SwiftType中移除了cast属性,简化了类型系统的实现。 -
使用
@Fixture重写了泛型函数测试(GenericFuncTests),提高了测试的清晰度。 -
改进了 CI 配置,优化了构建矩阵,增强了持续集成流程的可靠性。
-
引入了更好的测试验证机制,确保生成的代码质量。
总结
Mockolo 2.4.0 版本通过改进关联类型约束的处理、修复关键错误以及优化测试基础设施,进一步巩固了其作为 Swift 生态系统中优秀模拟框架生成工具的地位。这些改进使得开发者能够更轻松地为复杂协议生成准确的模拟实现,提高了单元测试的效率和可靠性。对于已经在使用 Mockolo 的团队,升级到 2.4.0 版本将带来更稳定和强大的功能支持。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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