Quick/Nimble 在 Xcode 16 中的异步测试崩溃问题分析与解决方案
问题背景
在 Xcode 16 发布后,许多开发者在使用 Quick/Nimble 进行单元测试时遇到了一个棘手的崩溃问题。这个问题表现为测试过程中突然抛出 NSInternalInconsistencyException 异常,错误信息为"Can not set up _UISceneHostingView with a nil scene"。
问题现象
当开发者在 Xcode 16 环境下运行完整的测试模块时,测试进程会在某些情况下意外终止。崩溃日志显示问题发生在 _UISceneHostingView 的初始化过程中,提示无法为 nil 的场景设置视图。值得注意的是:
- 该问题仅在 iOS 18 模拟器上出现,iOS 17 模拟器上不会崩溃
- 单独运行测试用例时不会出现问题,只有在运行完整测试模块时才会触发
- 崩溃通常发生在使用了异步测试功能的测试用例中
根本原因分析
经过深入调查,发现这个问题与 UIKit 在 Xcode 16/iOS 18 中的行为变更有关。具体来说:
-
UIKit 强化了场景检查:iOS 18 对
_UISceneHostingView的初始化增加了严格的场景检查,如果视图控制器没有正确关联到窗口场景,就会抛出异常。 -
测试环境特殊性:在单元测试环境中,UI 组件通常没有完整的窗口层级结构。当某些视图控制器(特别是
UIActivityViewController)被创建但没有正确附加到窗口时,会导致后续的异步测试操作触发崩溃。 -
Nimble 的异步机制:Nimble 的异步测试功能会在后台轮询条件,这种轮询操作可能意外触发 UIKit 的内部检查。
解决方案
针对这个问题,开发者可以采取以下几种解决方案:
1. 隔离问题测试用例
检查测试套件中是否包含创建 UIActivityViewController 的测试用例。这些测试往往是问题的源头,可以考虑:
- 暂时禁用这些测试
- 将这些测试移到单独的测试目标中
- 确保这些测试完成后彻底清理资源
2. 完善测试环境设置
对于需要测试 UI 组件的场景,应该确保测试环境有完整的窗口层级:
beforeEach {
window = UIWindow()
window.rootViewController = UIHostingController(rootView: TestView())
window.makeKeyAndVisible()
}
3. 使用 iOS 17 模拟器进行测试
如果项目允许,可以暂时使用 iOS 17 模拟器运行测试,避免触发这个特定于 iOS 18 的问题。
4. 等待官方修复
考虑到这是 Xcode 16/iOS 18 引入的新问题,可以关注 Apple 的更新,等待官方修复这个 UIKit 的行为变更。
最佳实践建议
-
测试隔离:确保每个测试用例都是独立的,不会影响后续测试的执行环境。
-
资源清理:在测试完成后,特别是涉及 UI 组件的测试,应该正确清理创建的资源。
-
版本适配:在升级开发环境时,预留时间进行测试适配,特别是主要版本更新。
-
异步测试注意事项:在使用 Nimble 的异步测试功能时,避免在测试过程中创建可能影响全局状态的 UI 组件。
总结
Xcode 16 和 iOS 18 引入的这项变更反映了 Apple 对 UIKit 内部一致性的强化要求。虽然这给现有测试带来了挑战,但也促使我们编写更加规范和健壮的测试代码。通过理解问题的本质并采取适当的应对措施,开发者可以顺利过渡到新的开发环境,同时提高测试代码的质量。
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