Harmony项目v2025.0.0版本技术解析与升级指南
项目背景与版本概述
Harmony是一个高性能的区块链项目,采用分片技术实现高吞吐量和低延迟的交易处理。作为其核心组件,harmony-one/harmony代码库包含了区块链节点的完整实现。本次发布的v2025.0.0版本是一个重要的主网升级,虽然不包含硬分叉,但对验证节点来说是强制性的升级要求。
核心改进内容
共识机制优化
-
多BLS密钥验证者支持增强:改进了多BLS密钥验证者的共识逻辑,确保在达到法定人数时的正确处理,防止了多个区块提议的问题。同时优化了领导者轮换机制,解决了边缘情况下的领导者选择问题。
-
共识稳定性提升:增加了对共识准备状态的日志记录,改进了领导者设置过程的日志输出,便于问题诊断。新增了Final Commit函数的错误处理机制,确保区块提交过程更加可靠。
-
同步与共识通信优化:减少了不必要的共识重置,优化了同步模块与共识模块之间的通信机制,提升了系统整体稳定性。
P2P网络增强
-
资源管理引入:为P2P主机添加了资源管理器功能,可以更好地控制网络资源使用,防止资源耗尽导致的节点不稳定。
-
可信节点支持:扩展了P2P网络功能,支持将特定节点标记为可信节点,增强了网络连接的可控性。
-
流处理改进:优化了P2P流处理机制,提升了流同步的性能和可靠性,特别是在大规模网络环境下的表现。
开发者工具与测试环境
-
本地网络调试增强:为Makefile添加了新命令,便于开发者进行本地网络调试。同时支持配置每个epoch的区块数量,方便测试不同场景。
-
多BLS密钥验证者支持:本地测试网络现在支持配置多个BLS密钥的验证者,以及多个外部节点,为测试复杂验证者场景提供了便利。
交易处理改进
- 有效Gas价格支持:在交易收据中添加了effectiveGasPrice字段,为RPC节点和区块链浏览器提供了更精确的Gas价格信息。虽然对验证节点不是必须的,但运行RPC服务的节点建议升级以获得此功能。
技术实现细节
本次升级在代码层面主要涉及以下几个关键修改:
-
并发与锁管理优化:重构了分阶段流同步模块的并发控制和锁管理机制,减少了潜在的竞争条件。
-
错误处理增强:在多个关键路径上增加了更精细的错误处理和日志记录,便于问题定位。
-
CI/CD流程改进:更新了持续集成环境,将macOS构建环境从12升级到13版本,确保构建过程的可靠性。
升级建议
-
验证节点:必须尽快升级,虽然没有硬分叉截止时间,但新版本显著提升了网络稳定性。
-
RPC节点和浏览器节点:强烈建议升级以获得effectiveGasPrice等新功能支持。
-
开发者:建议更新本地开发环境,利用新的多BLS密钥验证者测试功能和增强的调试工具。
总结
Harmony v2025.0.0版本是一次以稳定性和可靠性为核心的升级,通过优化共识机制、增强P2P网络、改进开发者工具等多方面的改进,为网络参与者提供了更稳定、更高效的运行环境。特别是对验证节点来说,这次升级将显著提升网络的整体健康度和稳定性。
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