Web3j 4.13.0版本发布:动态Gas提供与链ID修复
Web3j项目简介
Web3j是一个轻量级的Java和Android库,用于与区块链网络进行交互。它允许开发者在不运行完整节点的情况下,通过JSON-RPC接口与网络进行通信。Web3j提供了完整的API集合,包括智能合约封装、钱包管理、交易签名等功能,是Java生态中最重要的开发工具之一。
4.13.0版本核心更新
1. 动态Gas提供器实现
本次版本引入了动态Gas提供器(DynamicGasProvider)功能,这是一个重要的架构改进。传统的Gas提供器在创建时就会确定Gas价格和Gas限制,而动态Gas提供器能够在交易执行时动态计算这些值。
这种机制特别适合以下场景:
- 网络拥堵时Gas价格波动较大
- 需要根据智能合约执行复杂度动态调整Gas限制
- 实现Gas价格竞价策略
开发者现在可以继承DynamicGasProvider抽象类,实现自己的Gas计算逻辑,根据实时网络状况调整交易参数。
2. 交易链ID处理修复
修复了Transaction.getChainId方法在v=27时的处理逻辑。在交易中,v值是签名的一部分,同时也用于推导链ID。当v值为27时,按照规范,应该返回null表示主网。
这个修复确保了:
- 符合协议规范
- 与其他客户端实现保持一致
- 避免在主网交易中错误地返回链ID
3. 批量请求ID生成优化
改进了批量请求时的ID生成机制,不再使用单独的计数器。原先的实现可能导致在高并发场景下ID冲突或序列化问题。新实现直接复用单个请求的ID生成逻辑,确保:
- 更好的线程安全性
- 更简单的实现逻辑
- 与JSON-RPC规范更一致的行为
其他重要改进
1. Label Hash函数支持
新增了Label Hash计算功能,这是域名服务相关开发中常用的工具函数。Label Hash用于将域名部分转换为哈希值,是解析域名的重要步骤。
2. Linea RPC API支持
添加了对Linea网络的RPC API支持。Linea是开发的zkEVM Layer2解决方案,这个更新使Web3j开发者能够更方便地与Linea网络交互。
3. 文档与代码质量提升
- 修复了多处文档和代码注释中的拼写错误
- 改进了测试覆盖率
- 优化了部分API的接口设计
升级建议
对于现有项目,建议在测试环境中验证以下方面后再升级:
- 动态Gas提供器的兼容性,特别是自定义Gas提供器的实现
- 交易签名和链ID相关的逻辑是否受影响
- 批量请求的处理是否与预期一致
新项目可以直接基于4.13.0版本开发,充分利用动态Gas提供等新特性。
总结
Web3j 4.13.0版本在核心功能、兼容性和开发者体验方面都有显著提升。动态Gas提供器的引入为应对网络波动提供了更灵活的解决方案,而链ID处理的修复则增强了协议的合规性。这些改进使得Web3j在Java生态中的开发工具地位更加稳固。
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