zksync-era核心版本v28.6.0技术解析
zksync-era是一个基于ZK Rollup技术的区块链Layer2扩容解决方案,它通过零知识证明技术实现了高吞吐量和低交易费用的链下计算,同时保持与主网相同的安全级别。最新发布的core-v28.6.0版本带来了一系列重要的功能增强和性能优化,下面我们将深入分析这些技术改进。
核心功能增强
新增不稳定gasPerPubdata API接口
开发团队在API层新增了unstable_gasPerPubdata接口,这个功能为开发者提供了更细粒度的gas费用控制能力。在ZK Rollup系统中,每笔交易除了消耗gas外,还需要考虑将数据发布到主网的成本。这个新接口允许开发者查询当前网络状态下每单位pubdata(发布数据)对应的gas成本,使得DApp能够更精确地估算交易总成本。
配置参数报告机制优化
配置系统进行了重要升级,现在支持以更多方式报告配置参数。这一改进使得系统管理员和运维人员能够更灵活地获取和监控系统配置状态。特别是在分布式部署环境中,这种增强的配置报告机制可以帮助快速定位和解决因配置差异导致的问题。
批处理重检数量可配置化
执行节点(EN)现在支持通过配置调整max_batches_to_recheck参数。这个参数控制着节点在同步过程中需要重新验证的历史批次数量上限。通过使其可配置化,节点运营者可以根据自身硬件资源和网络条件优化同步性能,特别是在从网络中断恢复时,可以平衡同步速度和资源消耗。
关键问题修复
配置反序列化问题修正
团队修复了max_response_body_size_overrides配置项的反序列化问题。这个修复确保了当配置文件中包含复杂的大小限制规则时,系统能够正确解析和应用这些规则,防止因配置解析错误导致的API服务异常。
空值单位解析优化
配置系统进一步改进了对包含单位的空值的处理逻辑。在之前的版本中,某些配置项如果设置为null并带有单位(如"null MB")可能会导致解析异常。这个修复增强了配置系统的健壮性,确保各种边缘情况的配置都能被正确处理。
共识领导者配置可选化
在共识模块中,领导者的配置现在被标记为可选。这一变更使得系统部署更加灵活,特别是在测试环境或特定拓扑结构中,可以不需要显式指定领导者节点,简化了配置过程。
性能优化
Jemalloc内存分配器增强
本次更新引入了对Jemalloc内存分配器的详细性能监控能力。Jemalloc是一个高性能的内存分配器,广泛应用于需要高效内存管理的系统中。通过增加对Jemalloc的统计和性能指标收集,运维团队现在可以更精确地分析内存使用模式,识别潜在的内存泄漏或碎片化问题,从而优化整体系统性能。
交易费用调整优化
在eth-sender组件中,改进了网关交易的gas费用计算策略。现在系统会使用gas调整器中的最新值来计算网关交易的费用,而不是固定的预设值。这一改进使得网关交易能够更及时地响应主网gas价格的波动,提高交易的成功率,同时避免不必要的费用浪费。
总结
zksync-era v28.6.0版本在API功能、配置管理和系统性能等方面都做出了重要改进。这些变更不仅增强了系统的灵活性和可观测性,也为开发者提供了更强大的工具来优化他们的DApp性能。特别是新增的gasPerPubdata接口和Jemalloc监控功能,将帮助开发者和节点运营者更好地理解和优化系统资源使用,进一步提升整个zkSync网络的效率和稳定性。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00