Swift Snapshot Testing 1.18.0 版本发布:全新自定义转储策略与Android支持
Swift Snapshot Testing 是一个强大的 Swift 测试框架,它允许开发者通过捕获和比较应用程序的视觉输出、数据结构或其他可序列化内容来验证代码的正确性。这种测试方法特别适合UI组件、视图控制器和复杂数据结构的验证,能够有效减少回归测试的工作量。
1.18.0 版本亮点
新增自定义转储策略
1.18.0 版本引入了一个全新的 .customDump 策略,该策略通过新增的 SnapshotTestingCustomDump 模块提供。这个新策略是对现有 .dump 策略的改进和替代,后者已被标记为软弃用状态。
.customDump 策略提供了更灵活、更精确的数据结构转储能力,能够更好地处理复杂对象的比较和验证。与传统的 .dump 相比,它提供了:
- 更清晰的输出格式
- 更好的自定义选项
- 更精确的差异检测
- 改进的循环引用处理
开发者可以逐步迁移到新的 .customDump 策略,以获得更好的测试体验和更准确的测试结果。
Android平台支持
这个版本还增加了对Android平台的支持,这是由社区贡献者 @marcprux 实现的重大改进。这意味着开发者现在可以在Android项目中使用Swift Snapshot Testing框架,扩展了框架的应用范围。
Android支持包括:
- 兼容Android NDK工具链
- 适配Android文件系统特性
- 确保在Android环境下的稳定运行
这一改进使得跨平台Swift项目能够使用统一的快照测试方法,提高了代码质量和测试效率。
内联快照测试改进
assertInlineSnapshot 功能的 record 参数现在支持所有记录模式,解决了之前版本中的一些限制。这使得内联快照测试更加灵活和强大,开发者可以:
- 更方便地更新快照
- 更灵活地控制记录行为
- 更精确地管理测试数据
内联快照测试允许开发者将预期的输出直接嵌入测试代码中,提高了测试的可读性和维护性。
主线程检测问题修复
修复了在 @MainActor 注解的测试中可能出现的主线程检测问题。这个修复由 @peterkovacs 贡献,解决了在某些情况下测试可能错误地报告线程问题的bug。
这个改进特别重要,因为:
- 确保UI相关测试在主线程上正确执行
- 避免了误报的线程安全问题
- 提高了测试的稳定性和可靠性
升级建议
对于现有用户,建议:
- 逐步将
.dump策略迁移到新的.customDump策略 - 检查并更新使用了
assertInlineSnapshot的测试用例 - 对于跨平台项目,可以开始在Android环境中使用快照测试
新用户可以:
- 直接使用
.customDump策略开始编写测试 - 利用改进的内联快照功能简化测试编写
- 在Android项目中集成快照测试
总结
Swift Snapshot Testing 1.18.0 版本带来了多项重要改进和新功能,特别是自定义转储策略和Android支持,大大扩展了框架的实用性和适用范围。这些改进使得快照测试更加灵活、强大,能够满足更广泛的测试需求。
对于任何使用Swift进行开发的团队,特别是那些关注代码质量和测试覆盖率的团队,这个版本都值得考虑升级或采用。它不仅提高了测试的准确性,还简化了测试的编写和维护工作,是提升开发效率的有力工具。
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