NEARCore 2.5.0-rc.1版本技术解析:分片重构与性能优化
NEAR是一个采用分片技术的区块链平台,旨在实现高吞吐量和可扩展性。近期发布的NEARCore 2.5.0-rc.1版本引入了多项重要改进,包括分片重构V3和跨分片带宽调度器等核心协议变更,以及多项非协议层面的性能优化。本文将深入解析这些技术改进的实现原理及其对网络的影响。
协议层重大变更
分片重构V3
NEARCore 2.5.0-rc.1版本最核心的改进之一是实现了分片重构V3机制。这一改进通过协议版本75和76分两个阶段实施,将网络分片数量从6个增加到8个,显著提升了网络的处理能力。
分片重构过程中,节点需要将被重构的分片数据加载到内存中。对于验证节点而言,由于它们通常配置了单分片跟踪和内存Trie(memtrie)功能,这一过程影响较小。但对于RPC节点、归档节点等需要跟踪全部分片的节点类型,在重构完成前将面临较高的内存需求。
特别值得注意的是,从这个版本开始,分片ID(ShardIds)将不再是有序的数字标识符,而是任意的唯一标识符。这一改变为未来更灵活的分片管理奠定了基础。
跨分片带宽调度器
协议版本74中引入了跨分片带宽调度器(NEP-584),这一创新机制负责管理分片间的收据(receipt)传输。通过优化跨分片通信的资源分配,该调度器显著提高了跨分片交易的吞吐量,增强了网络的水平扩展能力。
非协议层改进
状态同步优化
本版本改进了状态同步机制,将状态同步点调整到当前epoch内。节点现在需要在epoch开始后等待几个区块才能启动状态同步过程。这一改变虽然不涉及协议变更,但需要与协议版本74配合启用。
状态同步服务提供商也进行了变更,新的"fast-state-parts"存储桶取代了原有的"state-parts"。用户需要相应调整配置中的state_sync.sync.ExternalStorage.location.GCS.bucket参数。
交易验证并行化
通过并行化交易验证过程(包括签名检查),在verify_and_charge_transaction之前完成这些操作,显著提高了节点的交易处理吞吐量。这一优化对于提升网络整体性能具有重要意义。
升级计划与注意事项
NEAR网络将通过三次协议升级逐步部署这些改进:
- 协议版本74投票将于2025年2月16日18:00 UTC开始
- 协议版本75投票将于次日同一时间启动
- 协议版本76投票随后在2月18日开始
在分片重构期间,跟踪状态的节点(包括RPC、归档、索引器等)需要至少64GB内存来成功完成重构过程。即使是排名21-25的潜在验证节点,也建议配置64GB内存以确保稳定运行。重构完成后,不加载内存Trie的节点可以适当降低内存配置。
若节点在重构过程中崩溃,可能会遇到存储错误。此时可通过neard flat-storage resume-resharding命令恢复重构过程,然后重新启动节点。
总结
NEARCore 2.5.0-rc.1版本通过分片重构V3和跨分片带宽调度器等创新,显著提升了网络的扩展性和性能。这些改进使NEAR能够更好地支持大规模去中心化应用,同时为未来的进一步扩展奠定了基础。节点运营者需要特别注意升级过程中的硬件要求和操作步骤,以确保平稳过渡。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust030
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00