JS框架基准测试项目在Chrome 124中的性能异常分析
在JS框架基准测试项目中,Chrome 124浏览器版本出现了一系列令人困惑的性能异常现象。本文将从技术角度深入分析这些异常的表现、原因以及最终的解决方案。
性能异常现象
测试团队最初发现Chrome 124的测试结果出现了几个明显异常:
-
异常的性能数值:最快的框架得分仅为1.05,这在历史数据中通常预示着测量可能存在问题。
-
RAF框架表现异常:使用requestAnimationFrame(RAF)的框架(如Imba)在测试中表现优于不使用RAF的框架,这与常规认知不符。
-
测试结果不一致:自动化测试结果与手动测试结果存在显著差异,特别是在"创建1000行"测试场景中。
深入技术分析
通过详细的性能追踪和对比测试,团队发现了几个关键现象:
-
GC调用影响:强制垃圾回收(GC)对不同框架的影响不一致。正常情况下,强制GC应该有助于大多数框架,因为它可以防止在执行过程中发生GC。然而在ivi框架中,强制GC反而会略微降低性能。
-
时间测量问题:对于使用RAF的框架,存在两个提交事件,而传统框架只有一个。这导致测量方式的选择会影响最终结果。
-
延迟影响性能:在测试中添加延迟会显著影响性能结果,这在Chrome 123及之前版本中是不存在的现象。
问题根源
经过深入排查,发现问题主要源于:
-
GC机制变化:Chrome 124对垃圾回收机制进行了优化调整,导致原有的GC调用方式不再完全有效。
-
HTML解析优化:Chrome 124对innerHTML等DOM操作进行了优化,这影响了不同框架之间的相对性能表现。
-
RAF处理变化:浏览器对requestAnimationFrame的处理方式有所调整,导致使用RAF的框架测量结果出现偏差。
解决方案
团队最终通过以下方法解决了这些问题:
-
改进GC调用:使用更全面的GC调用方式,包括指定GC类型和执行方式:
window.gc({type:'major',execution:'sync',flavor:'last-resort'}) -
统一测量标准:对于使用RAF的框架,明确测量从点击事件到最后一个提交事件结束的时间,确保公平性。
-
内存使用监控:增加对测试后内存使用的监控,确保GC确实有效清理了内存。
经验总结
这次事件提供了几个重要的技术经验:
-
浏览器版本升级可能对性能测试产生意想不到的影响,需要特别关注。
-
GC策略在现代JavaScript性能测试中扮演着关键角色,需要谨慎处理。
-
自动化测试与手动测试结果的一致性验证至关重要,可以及早发现问题。
-
性能测量方法需要随着浏览器技术发展而不断调整,不能一成不变。
通过这次问题的解决,JS框架基准测试项目不仅修复了Chrome 124下的测试异常,还完善了测试方法论,为未来的浏览器版本兼容性打下了更好基础。
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