Open-Quantum-Safe项目集成UOV签名算法进展
在量子计算时代背景下,后量子密码学(PQC)的发展至关重要。Open-Quantum-Safe(liboqs)项目作为后量子密码学算法的重要实现库,近期正在将UOV(Unbalanced Oil and Vinegar)签名算法集成到其代码库中。
UOV是一种基于多变量多项式的签名方案,具有抵抗量子计算机攻击的特性。该算法通过构造油(oil)和醋(vinegar)变量之间的特殊关系来确保安全性。与其他后量子签名方案相比,UOV具有相对较小的签名尺寸和较快的验证速度,这使其在某些应用场景中具有独特优势。
技术团队目前已经成功将36个UOV实现版本集成到liboqs中,涵盖了12种参数集和三种不同的指令集架构(ref、neon、avx2)。所有持续集成(CI)测试,包括扩展测试和完整测试,均已通过验证。这表明基础集成工作已经完成,代码质量达到了项目要求标准。
在集成过程中,开发团队遇到并解决了一些技术挑战:
-
算法排序问题:由于UOV在字母顺序上位于SPHINCS+之后,而liboqs的导入脚本假设SPHINCS+是最后一个方案,因此需要对脚本进行相应调整。
-
文件创建机制:现有的copy_from_upstream.py脚本仅更新文件而不创建新文件,这给集成过程带来了一定不便。开发人员需要手动创建目标文件后才能运行脚本。
-
KAT测试数据:团队建议增强脚本功能,使其能够自动导入"all" KAT(已知答案测试)哈希值,而不是手动添加到kats.json文件中。
这些技术细节的解决不仅为UOV的成功集成铺平了道路,也为未来集成其他后量子密码算法提供了宝贵经验。项目维护团队表示,他们更倾向于推迟发布周期也不愿错过集成新PQC算法的机会,这体现了对算法多样性和技术进步的重视。
随着UOV算法的加入,liboqs将提供更全面的后量子密码算法选择,进一步增强其在后量子密码学领域的领先地位。这一进展对于推动后量子密码学的实际应用具有重要意义,特别是在需要多样化签名方案的场景中。
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