WalletConnect/web3modal 1.7.7版本更新解析:连接体验与功能优化
WalletConnect/web3modal是一个流行的Web3钱包连接解决方案,它简化了DApp与各种钱包的集成过程。本次1.7.7版本的更新主要聚焦于提升钱包连接的稳定性和用户体验,特别是在多链环境下的交互处理。
核心改进与优化
网络同步问题修复
版本修复了W3mFrameProvider初始化时缺少当前链ID导致的问题,这个问题曾导致AppKit和安全站点之间的网络同步不一致。现在当用户切换网络时,系统能更可靠地保持状态同步。
钱包显示逻辑优化
针对Solflare和Coinbase等钱包的显示逻辑进行了调整。原先版本中,某些钱包可能因为缺少mobile_link属性而无法正确显示在"所有钱包"列表中。新版本优化了这一判断逻辑,确保用户能够看到所有可用的钱包选项。
社交连接事件增强
在connectSocial应用事件中新增了chainId参数,这一改进解决了用户可能连接到错误网络的问题。开发者现在可以更精确地追踪用户在哪个网络上进行了社交登录。
多命名空间切换改进
修复了当用户切换到不同命名空间时,如果该命名空间之前已经连接过,认证提供商的网络切换功能可能不会被正确调用的bug。这使得跨链操作更加流畅。
用户体验提升
路由逻辑简化
新版本简化了路由逻辑,用回调函数替代了多个参数来处理错误、成功和取消等情况。这一改变使得代码更清晰,也减少了潜在的错误点。
模态框行为优化
修复了在嵌入式模式下,用户连接后可能被错误重定向到连接页面而非账户页面的问题。同时改进了当用户选择不支持的链时模态框的关闭行为,避免给用户造成困惑。
ENS注册错误处理
针对ENS注册过程中可能出现的签名过期错误,现在会正确显示错误信息而不是直接关闭模态框,让用户能更清楚地了解问题所在。
功能增强
远程特性配置
新增了远程特性配置处理能力,这使得开发者可以动态调整应用功能而无需发布新版本,为应用提供了更大的灵活性。
钱包排序保持
修改了fetchFeaturedWallets()函数的实现,现在会创建新的排序数组而不是原地排序,确保钱包的顺序在不同场景下保持一致,提升用户体验的可预测性。
SIWX消息文本更新
改进了SIWX消息文本处理,现在能够从CAIP网络ID中提取网络名称,使得显示给用户的信息更加友好和准确。
技术实现细节
在底层实现上,团队对wagmi连接管理进行了优化,特别是在Vue移动端上下文中,现在能够更彻底地清除连接状态。此外,还修复了一些可能导致内存泄漏或状态不一致的边缘情况。
总结
WalletConnect/web3modal 1.7.7版本通过一系列细致的改进,显著提升了多链环境下的钱包连接体验。从网络同步到错误处理,从UI行为到API增强,这些变化共同构成了一个更稳定、更可靠的Web3连接层。对于开发者而言,这些改进意味着更少的边缘情况需要处理;对于最终用户,则意味着更流畅、更直观的钱包交互体验。
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