tc39/test262中assert.throwsAsync的异步断言缺陷分析
在JavaScript测试框架tc39/test262中,assert.throwsAsync方法存在一个值得注意的异步断言缺陷。这个缺陷会导致在某些情况下,测试错误地通过验证,而实际上被测代码并未按预期抛出异常。
问题本质
assert.throwsAsync方法设计用于验证异步函数是否按预期抛出异常。然而,当前实现中存在一个关键缺陷:当被测函数返回一个非标准thenable对象(即then方法不符合Promise规范的对象)时,测试会错误地通过。
具体来说,当被测函数返回一个具有then方法但不返回有效Promise的对象时,assert.throwsAsync会直接使用then方法的返回值来解析断言,而不是等待thenable对象实际settle(解决或拒绝)。这导致测试可能在不应该通过的情况下通过验证。
技术细节
问题的核心在于asyncHelpers.js中的实现逻辑。当前代码直接将then方法的返回值用于解析断言Promise,而没有将其包装在一个真正的Promise中。这种实现假设then方法本身是符合规范的,但实际上JavaScript允许then方法返回任何值,包括非thenable值。
正确的做法应该是将res(即then方法的返回值)包装在一个真正的Promise中,确保无论then方法返回什么,都能正确地触发then回调,从而准确判断异步操作是否按预期抛出异常。
影响范围
这个缺陷会影响所有使用assert.throwsAsync来验证异步异常抛出的测试用例。特别是当被测代码返回以下类型的值时,测试可能给出错误的结果:
- 具有then方法但不返回有效Promise的对象
- then方法不遵循Promise规范的对象
- then方法同步抛出异常的对象
解决方案
修复此问题的正确方法是修改asyncHelpers.js中的实现,确保将then方法的返回值强制转换为真正的Promise。这可以通过Promise.resolve()或类似的机制来实现,保证后续的then回调能够正确触发。
这种修改将确保assert.throwsAsync在各种边缘情况下都能正确工作,包括处理非标准thenable对象的情况。
最佳实践建议
在使用assert.throwsAsync时,开发者应当注意:
- 确保被测函数返回标准的Promise或符合规范的thenable对象
- 对于复杂的异步测试场景,考虑添加额外的验证逻辑
- 关注测试框架的更新,及时应用包含此修复的版本
这个问题的发现和修复对于提高JavaScript异步测试的可靠性具有重要意义,特别是在处理边缘情况和非标准Promise实现时。
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