Lighthouse v7.0.0-beta.0 版本发布:Electra 测试网升级与核心功能优化
Lighthouse 是区块链生态中广受欢迎的开源区块链 2.0 客户端,由 Sigma Prime 团队开发维护。作为区块链共识层(原信标链)的重要实现之一,Lighthouse 以其高性能和稳定性赢得了众多用户的青睐。本次发布的 v7.0.0-beta.0 版本是一个重要的预发布版本,主要面向 Holesky 和 Sepolia 测试网用户,为即将到来的 Electra 硬分叉做好准备。
核心升级内容
Electra 硬分叉支持
Electra 是区块链共识层的重大升级,与执行层的 Prague 升级(合称 Pectra)共同引入多项创新功能。其中最引人注目的是"Max EB"(最大有效余额)机制,将单个验证者的最大有效余额从 32 代币提升至 2048 代币。这一改变将使网络运行更加高效,同时降低验证者数量但保持相同安全级别。Max EB 还消除了质押激励中的某些中心化因素,使独立验证者也能获得此前只有大型运营商才能享受的复利收益。
验证者可以通过"合并"(consolidation)过程调整其最大有效余额,这一操作通过智能合约调用触发,完全自愿。对于运行少量验证器的独立运营商,无需强制合并,但可以选择性操作。
IPv6 默认启用
Lighthouse 现在会自动检测并启用 IPv6 网络支持(当检测到全局可路由的 IPv6 地址时)。对于大多数仅配置 IPv4 的用户,这一变更不会有明显影响,但能显著改善正确配置 IPv6 栈的用户体验。IPv6 默认监听端口已从 9090 更改为 9000(与 IPv4 相同),便于防火墙配置。用户可通过 --port6 标志调整 IPv6 端口,或使用 --listen-address 0.0.0.0 仅监听 IPv4。
轻客户端服务器默认开启
经过充分测试和优化,轻客户端服务器功能现已默认启用。这一协议允许极轻量级的客户端和设备与区块链交互,对带宽、CPU 使用率、内存和磁盘 I/O 的影响可忽略不计。用户可通过 --disable-light-client-server 选择禁用此功能。
数据库后端新增 redb 支持
引入了基于纯 Rust 实现的 redb 数据库后端选项,具有优秀的 ACID 特性。虽然目前性能略逊于 LevelDB,但为未来的数据库优化奠定了基础。专家用户可通过 --beacon-node-backend redb 启用,切换时需要手动删除原有 LevelDB 数据库并重新同步。
重要修复与改进
- 修复了信标节点订阅逻辑中的回归问题,解决了可能导致订阅不足和聚合证明发布问题的情况
- 改进了证明奖励 API 以支持 Electra 规范
- 优化了单个证明转换逻辑
- 增加了对执行负载历史回填时的保留控制
- 完善了 PeerDAS 协议支持
- 更新了依赖库以解决安全漏洞
升级建议与注意事项
测试网用户(特别是 Holesky 和 Sepolia)必须升级到 v7.0.0-beta.0 版本以准备 Electra 硬分叉。主网用户目前无需采取行动,因为 Electra 在主网的升级时间尚未确定。
升级时需要注意:
- 必须同时升级执行层客户端(如 Geth、Reth 等)到兼容 Pectra 的版本
- 从任何 v5 或 v6 版本均可直接升级到 v7.0.0-beta.0
- 在 Electra 分叉前可降级回 v6 版本,但分叉后必须保持 v7 版本
开发者相关变更
- 最低支持的 Rust 版本(MSRV)从 1.80.0 提升至 1.83.0
- 移除了多个已弃用的 CLI 标志
- 重构了多个核心模块以提高代码质量
- 增加了对 EIP-7636 和 EIP-7691 的支持
本次升级标志着 Lighthouse 在支持区块链未来发展方面又迈出了重要一步,特别是在提高网络效率和扩展性方面。测试网用户应尽快升级以体验新功能并确保网络平稳过渡。
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-1.5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-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