zksync-era核心版本v28.1.0技术解析
zksync-era是区块链Layer2扩容解决方案中的重要项目,采用零知识证明技术实现高效的链下交易处理。本次发布的v28.1.0版本在多个关键组件上进行了功能增强和性能优化,为开发者提供了更完善的工具链支持,同时提升了系统的稳定性和可扩展性。
核心功能升级
合约验证器增强
本次更新为合约验证器API新增了对区块浏览器验证请求的支持。这一改进使得开发者能够更便捷地通过标准接口完成智能合约的验证流程,简化了合约部署后的验证步骤。验证器现在可以直接处理来自区块浏览器的验证请求,减少了开发者在不同平台间切换的工作量。
执行节点优化
执行节点(EN)组件进行了重要架构调整,移除了对pubdata承诺模式的依赖。这一变更使得系统设计更加简洁,减少了模块间的耦合度,同时也为后续的性能优化奠定了基础。pubdata是zkSync中用于存储交易相关数据的重要概念,此次解耦意味着执行节点可以更专注于交易执行本身,而不需要关心数据存储的具体实现细节。
系统架构演进
网关迁移功能完善
zkstack命令行工具现在完整支持了从网关(Gateway)到新架构的链迁移功能,并移除了相关的功能标志。这意味着迁移流程已经趋于稳定,可以投入生产环境使用。迁移功能对于希望从旧版网关系统过渡到新版架构的项目至关重要,它确保了数据和状态的平滑转移。
TEE证明数据处理组件
服务器端新增了对tee_proof_data_handler组件的支持,这是一个面向可信执行环境(TEE)的证明数据处理模块。该组件能够安全地处理零知识证明生成过程中产生的关键数据,提供了额外的数据安全保障。特别值得注意的是,该版本还修复了处理blob存储数据时的反序列化回退机制,确保了在各种边缘情况下的数据完整性。
关键问题修复
网关迁移器改进
针对从网关迁移过程中发现的若干问题,开发团队进行了重点修复。特别是改进了对未知结算层的处理逻辑,使得迁移过程更加健壮。这些改进确保了在不同网络环境和配置下,迁移操作都能正确完成。
区块链发送器优化
区块链发送器组件修复了操作员轮换过程中的若干问题。操作员轮换是维护系统安全性的重要机制,此次修复确保了在更换操作员密钥时系统的稳定运行,防止了潜在的安全风险。
性能提升
状态保持器(State Keeper)组件实现了存储日志块加载的并行化处理,显著提升了在恢复SK缓存时的性能。通过并行加载多个存储日志块,系统能够更快地重建内存状态,减少了节点启动或恢复所需的时间。这一优化对于处理大量交易的历史数据尤为有效。
总结
zksync-era v28.1.0版本在功能完善、架构优化和性能提升等方面都取得了显著进展。从合约验证的便捷性提升,到核心组件的架构解耦,再到迁移工具的成熟化,这些改进共同推动了整个系统向更稳定、更高效的方向发展。特别是新增的TEE证明数据处理支持,为需要更高安全级别的应用场景提供了新的可能性。这些变化不仅增强了现有功能,也为未来的扩展奠定了基础。
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