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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00