MidScene v0.14.3 版本发布:Android 屏幕尺寸处理优化与安全增强
MidScene 是一个专注于移动端场景化测试的开源项目,它通过构建真实用户操作场景来帮助开发者进行自动化测试和性能评估。该项目特别注重在 Android 平台上的表现,提供了丰富的功能来支持各种用户交互场景。
核心改进
Android 屏幕尺寸处理优化
本次版本在 Android 平台上实现了自定义方法来获取屏幕尺寸,并对尺寸处理逻辑进行了简化。这一改进主要解决了以下问题:
-
更精确的屏幕尺寸获取:通过实现自定义方法,避免了系统原生 API 在某些设备上可能返回不准确尺寸的问题。
-
简化处理逻辑:重构了尺寸处理流程,减少了不必要的计算和转换步骤,提高了性能。
-
更好的兼容性:新的实现方式能够更好地适应不同分辨率和屏幕密度的 Android 设备。
对于开发者而言,这意味着在使用 MidScene 进行 Android 测试时,能够获得更准确的屏幕尺寸信息,从而确保测试场景的精确构建。
YAML 配置支持非标准 HTTPS
在测试环境中,经常会遇到使用自签名证书或非标准 HTTPS 的情况。v0.14.3 版本在 YAML 配置中增加了对非标准 HTTPS 连接的支持,这一特性特别适合以下场景:
-
本地开发测试:当测试环境使用自签名证书时,不再需要手动绕过证书验证。
-
内部测试环境:在企业内部测试环境中,可以更方便地配置 HTTPS 端点。
-
快速原型验证:在快速验证阶段,可以暂时忽略证书安全问题,专注于功能测试。
需要注意的是,这一特性应谨慎在生产环境中使用,仅推荐在受控的测试环境中启用。
其他改进
Android 模式验证增强
在 AndroidAgent 构造函数中增加了对 VL-Model 模式的验证,这一改进确保了:
-
更早的错误检测:在初始化阶段就能发现配置问题,而不是在运行时才暴露。
-
更清晰的错误提示:当模式配置不正确时,会给出明确的错误信息,便于开发者快速定位问题。
文档完善
本次更新还包含了针对 Android 平台使用的文档补充,涵盖了:
-
基础配置指南:如何设置和运行 Android 测试场景。
-
最佳实践:针对不同测试场景的推荐配置。
-
常见问题解答:解决开发者在使用过程中可能遇到的典型问题。
技术价值
MidScene v0.14.3 的这些改进体现了项目团队对测试工具可靠性和易用性的持续追求。特别是 Android 屏幕尺寸处理的优化,直接提升了测试结果的准确性,这对于依赖精确屏幕操作的测试场景尤为重要。同时,对非标准 HTTPS 的支持则反映了项目对实际测试需求的深入理解,解决了开发者在测试过程中经常遇到的实际问题。
这些改进使得 MidScene 在移动端自动化测试领域又向前迈进了一步,为开发者提供了更强大、更灵活的工具来构建高质量的移动应用。
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