File size: 4,046 Bytes
a345062 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 |
import os
import torch
import pytest
from unittest.mock import patch
from cognitive_mapping_probe.llm_iface import get_or_load_model
from cognitive_mapping_probe.resonance_seismograph import run_silent_cogitation_seismic
from cognitive_mapping_probe.utils import dbg, DEBUG_ENABLED
# --- Tests for llm_iface.py ---
@patch('cognitive_mapping_probe.llm_iface.AutoTokenizer.from_pretrained')
@patch('cognitive_mapping_probe.llm_iface.AutoModelForCausalLM.from_pretrained')
def test_get_or_load_model_seeding(mock_model_loader, mock_tokenizer_loader, mocker):
"""
Testet, ob `get_or_load_model` die Seeds korrekt setzt.
Wir mocken hier die langsamen `from_pretrained`-Aufrufe.
"""
# Mocke die Rückgabewerte der Hugging Face Ladefunktionen
mock_model = mocker.MagicMock()
mock_model.eval.return_value = None
mock_model.set_attn_implementation.return_value = None
mock_model.config = mocker.MagicMock()
mock_model.device = 'cpu'
mock_model_loader.return_value = mock_model
mock_tokenizer_loader.return_value = mocker.MagicMock()
# Mocke die globalen Seeding-Funktionen, um ihre Aufrufe zu überprüfen
mock_torch_manual_seed = mocker.patch('torch.manual_seed')
mock_np_random_seed = mocker.patch('numpy.random.seed')
seed = 123
get_or_load_model("fake-model", seed=seed)
# ASSERT: Wurden die Seeding-Funktionen mit dem korrekten Seed aufgerufen?
mock_torch_manual_seed.assert_called_with(seed)
mock_np_random_seed.assert_called_with(seed)
# --- Tests for resonance_seismograph.py ---
def test_run_silent_cogitation_seismic_output_shape_and_type(mock_llm):
"""
Testet die Kernfunktion `run_silent_cogitation_seismic`.
ASSERT: Gibt eine Liste von Floats zurück, deren Länge der Anzahl der Schritte entspricht.
"""
num_steps = 10
state_deltas = run_silent_cogitation_seismic(
llm=mock_llm,
prompt_type="control_long_prose",
num_steps=num_steps,
temperature=0.7
)
assert isinstance(state_deltas, list)
assert len(state_deltas) == num_steps
assert all(isinstance(delta, float) for delta in state_deltas)
assert all(delta >= 0 for delta in state_deltas) # Die Norm kann nicht negativ sein
@pytest.mark.parametrize("num_steps", [0, 1, 100])
def test_run_silent_cogitation_seismic_num_steps(mock_llm, num_steps):
"""
Testet den Loop mit verschiedenen Anzahlen von Schritten.
ASSERT: Die Länge der Ausgabe entspricht immer `num_steps`.
"""
state_deltas = run_silent_cogitation_seismic(
llm=mock_llm,
prompt_type="control_long_prose",
num_steps=num_steps,
temperature=0.7
)
assert len(state_deltas) == num_steps
# --- Tests for utils.py ---
def test_dbg_enabled(capsys):
"""
Testet die `dbg`-Funktion, wenn Debugging aktiviert ist.
ASSERT: Die Nachricht wird auf stderr ausgegeben.
"""
# Setze die Umgebungsvariable temporär
os.environ["CMP_DEBUG"] = "1"
# Wichtig: Nach dem Ändern der Env-Variable muss das Modul neu geladen werden,
# damit die globale Variable `DEBUG_ENABLED` aktualisiert wird.
import importlib
from cognitive_mapping_probe import utils
importlib.reload(utils)
utils.dbg("test message", 123)
captured = capsys.readouterr()
assert "[DEBUG] test message 123" in captured.err
def test_dbg_disabled(capsys):
"""
Testet die `dbg`-Funktion, wenn Debugging deaktiviert ist.
ASSERT: Es wird keine Ausgabe erzeugt.
"""
# Setze die Umgebungsvariable auf "deaktiviert"
if "CMP_DEBUG" in os.environ:
del os.environ["CMP_DEBUG"]
import importlib
from cognitive_mapping_probe import utils
importlib.reload(utils)
utils.dbg("this should not be printed")
captured = capsys.readouterr()
assert captured.out == ""
assert captured.err == ""
# Setze den Zustand zurück, um andere Tests nicht zu beeinflussen
if DEBUG_ENABLED:
os.environ["CMP_DEBUG"] = "1"
importlib.reload(utils)
|