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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07