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。
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