WalletConnect Ethereum Provider 2.21.0版本发布:重要变更与优化
WalletConnect是一个开源协议,旨在实现钱包与DApp之间的安全通信。作为其核心组件之一,Ethereum Provider为开发者提供了与区块链网络交互的便捷方式。最新发布的2.21.0版本带来了一些值得关注的改进和优化。
主要变更内容
废弃requiredNamespaces参数
本次更新中最显著的变化是对requiredNamespaces参数的废弃处理。在之前的版本中,开发者可以使用这个参数来指定DApp必须支持的命名空间。但在实际应用中,这种硬性要求有时会导致不必要的连接失败。
新版本中,如果开发者仍然使用了requiredNamespaces参数,系统会自动将这些值分配给optionalNamespaces。这一变更使得DApp能够更灵活地与不同钱包交互,同时保持向后兼容性。
钱包能力缓存优化
另一个重要改进是针对wallet_getCapabilities请求的缓存机制。在2.21.0版本之前,缓存仅基于钱包地址来判断是否需要重新请求能力信息。新版本引入了更精细的缓存策略,现在会同时考虑链ID(chainId)和钱包地址两个维度。
这意味着:
- 同一钱包在不同链上的能力信息会被分别缓存
- 只有当链ID和钱包地址都匹配时才会使用缓存
- 减少了不必要的网络请求,提高了性能
技术影响分析
这些变更对开发者意味着什么?
对于前端开发者而言,不再需要担心requiredNamespaces的硬性限制可能导致连接失败的问题。系统会自动处理这一转换,使得DApp能够更广泛地兼容各种钱包。
对于性能敏感的应用,新的缓存策略可以显著减少与钱包的交互次数。特别是在多链环境下,用户切换不同链时,系统能够更智能地决定何时需要重新获取钱包能力信息。
升级建议
对于正在使用WalletConnect Ethereum Provider的开发者,建议尽快升级到2.21.0版本。升级过程应该是平滑的,因为:
- 废弃的
requiredNamespaces参数会被自动转换,不会破坏现有功能 - 缓存机制的改进是向后兼容的,不会影响现有逻辑
- 新版本与其他WalletConnect组件(如universal-provider和sign-client)保持同步更新
总结
WalletConnect Ethereum Provider 2.21.0版本通过废弃硬性命名空间要求和优化缓存机制,进一步提升了开发灵活性和系统性能。这些改进使得DApp能够更好地适应多样化的钱包环境,同时为用户提供更流畅的交互体验。对于区块链开发者来说,及时采用这些改进将有助于构建更健壮、更高效的分布式应用。
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-1.5暂无简介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-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