Ordinals项目中的委托铭文查询问题解析
问题背景
在Ordinals项目中,开发者switch-900遇到了一个关于委托铭文(delegate inscription)查询的问题。具体表现为:当尝试通过API接口查询特定交易输出时,系统没有正确返回预期的委托铭文信息。
技术分析
正确的API查询方式
Ordinals项目提供了一个JSON API接口用于查询交易输出信息。正确的查询语法应该是/output/<OUTPOINT>,其中OUTPOINT需要特别注意格式。
常见错误原因
根据开发者cryptoni9n的分析,switch-900遇到的问题主要是由于使用了错误的输出索引(outpoint)。具体表现为:
- 将铭文ID中的"i"直接替换为":",这是不正确的处理方式
- 没有正确识别交易输出中的索引位置
正确查询示例
以交易e0d67f72719e0a61a619b9747cd980191242f8ebc18dd9b3015d3939b6c9ce5e为例:
- 错误查询:使用索引0(
:0) - 正确查询:应该使用索引1(
:1)
同样,对于交易0ef72d903bce5a68cdeb574e0da06cbd6852e2bbca72eb67669964df237c2508,正确的查询也应该是使用索引1而非索引0。
技术要点
-
交易输出索引理解:在区块链交易中,每个输出都有一个索引号,从0开始计数。查询特定输出时必须指定正确的索引号。
-
委托铭文存储位置:委托铭文通常存储在特定的输出索引中,不能假设总是存储在第一个输出(索引0)中。
-
API响应解析:正确的API查询会返回包含铭文ID的响应,而错误的查询可能返回空数组或其他不完整信息。
最佳实践建议
-
在查询前,先确认交易的具体结构,了解委托铭文实际存储的输出位置。
-
使用
jq等工具格式化API响应,便于查看完整信息。 -
对于不确定的交易,可以尝试查询多个输出索引,但要注意不要过度请求以免被限流。
-
开发时应该处理API返回的各种可能情况,包括空结果或错误响应。
总结
Ordinals项目中的委托铭文查询需要开发者准确理解区块链交易结构和API使用规范。通过正确指定输出索引,可以成功获取委托铭文信息。这个问题提醒我们在使用区块链API时,必须对底层数据结构有清晰认识,才能避免类似的查询错误。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00