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。
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-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