pytest-asyncio 1.0.0 版本发布:异步测试框架的重大更新
pytest-asyncio 是一个流行的 Python 测试插件,它允许开发者使用 pytest 框架来编写和运行异步测试代码。这个插件为 asyncio 库提供了无缝集成,使得测试异步代码变得简单直观。随着 Python 异步编程的普及,pytest-asyncio 已成为测试异步应用的重要工具。
重大变更:移除废弃功能
在 1.0.0 版本中,开发团队移除了已被废弃的 event_loop fixture。这是一个重要的清理工作,标志着项目向更简洁、更一致的 API 设计迈进。开发者应该确保他们的测试代码不再依赖这个已被移除的 fixture,转而使用项目推荐的其他方式来管理事件循环。
Python 3.14 初步支持
新版本增加了对 Python 3.14 的初步支持,这体现了项目维护团队对 Python 新版本的前瞻性关注。虽然 Python 3.14 尚未正式发布,但 pytest-asyncio 已经为即将到来的版本做好了准备,确保用户能够平滑过渡到未来的 Python 版本。
性能优化:作用域事件循环改进
1.0.0 版本对作用域事件循环(如模块作用域循环)的处理方式进行了重要优化。现在,这些循环只会创建一次,而不是在每个作用域(如每个模块)都创建。这一改变显著减少了 fixture 的数量,特别是对于大型测试套件,可以明显加快收集时间。
标记行为改进
pytest.mark.asyncio 装饰器的 loop_scope 参数行为得到了改进。现在,它不再强制要求存在与指定作用域级别匹配的 pytest Collector。例如,一个标记为 pytest.mark.asyncio(loop_scope="class") 的测试函数不再需要被类包围。这一变化使标记行为与 pytest_asyncio.fixture 的 scope 参数行为更加一致,提供了更大的灵活性。
问题修复
1.0.0 版本修复了多个重要问题:
- 解决了在使用 pytest 的
--setup-plan选项时出现的错误,提高了工具的兼容性。 - 修复了在使用
--doctest-ignore-import-errorspytest 选项时未抑制导入错误的问题。 - 解决了与包作用域循环相关的"fixture not found"错误,提高了工具的稳定性。
对下游打包者的说明
为了确保更好的打包体验,1.0.0 版本移除了一个有顺序依赖性的测试。这一改变使得 pytest-asyncio 在各种打包环境中的行为更加可靠和一致。
总结
pytest-asyncio 1.0.0 是一个重要的里程碑版本,它不仅移除了废弃功能,还带来了性能优化、行为改进和多个问题修复。这些变化使得这个异步测试工具更加成熟、稳定和高效。对于正在使用或考虑使用 pytest-asyncio 的开发者来说,升级到 1.0.0 版本将带来更好的测试体验和更可靠的测试结果。
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