xUnit.net v3 新增 CTRF 测试报告格式支持
xUnit.net 作为 .NET 生态中广受欢迎的单元测试框架,在其最新的 v3 版本中新增了对 CTRF(Common Test Results Format)报告格式的支持。这一功能为开发者提供了更加标准化和跨平台的测试结果输出方式。
CTRF 格式简介
CTRF 是一种通用的测试结果格式标准,旨在为不同测试框架提供统一的报告格式。相比传统的 XML 或 TRX 格式,CTRF 具有更好的跨平台兼容性和更简洁的结构设计。
实现细节
xUnit.net v3 通过其内置的 JSON 序列化器实现了 CTRF 格式的输出功能。在实现过程中,开发团队做了以下关键设计决策:
-
环境信息增强:在报告的
environment部分额外添加了运行测试的计算机名称、用户名等信息,并将每个测试程序集及其包含的测试集合作为"套件"列出。 -
测试元数据扩展:在测试项的
extra部分包含了测试 ID、所属测试集合 ID、CLR 类型和方法名称等详细信息。 -
特殊标签处理:特别处理了名为
Category的特性(Trait),将其放入标准的tags元素中,实现了与 NUnit 和 MSTest 中[Category]特性的兼容。
性能考量
从文件大小角度来看,各种报告格式的表现如下:
- XML v2 报告始终是最紧凑的格式
- HTML 和 CTRF 格式大小相近,通常比 XML v2 大 0-50%
- TRX 格式通常比 XML v2 大 200% 以上
这使得 CTRF 成为测试框架间交换数据时既标准又高效的格式选择。
使用方式
根据不同的测试运行方式,开发者可以通过以下方法生成 CTRF 报告:
- 原生命令行运行:使用
-ctrf <filename>参数 - MSBuild 运行器:通过
<xunit>任务的Ctrf属性指定 - Microsoft.Testing.Platform:使用
--report-ctrf参数(可配合--report-ctrf-filename指定文件名)
值得注意的是,原生运行器会生成包含所有测试程序集结果的单一 CTRF 报告,而 Microsoft.Testing.Platform 会为每个测试程序集生成单独的 CTRF 报告。
实际应用建议
对于在 CI/CD 流水线中使用 CTRF 报告的开发者,需要注意:
-
当通过
dotnet test命令运行时,需要使用--分隔符来传递参数,例如:dotnet test -- --report-ctrf -
目前生成的 CTRF 文件采用 UTF-8 with BOM 编码,某些 Node.js 解析器可能需要额外处理才能正确读取
-
该功能目前仅在 xUnit.net v3 中提供,不计划向后移植到 v2 版本
这一功能的加入使得 xUnit.net 能够更好地融入现代测试生态系统,为开发者提供了更多元化的测试结果处理选择。
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