Lodestar v1.27.0-rc.0 版本发布:区块链共识层客户端的重要更新
Lodestar 是区块链生态系统中的一个重要共识层客户端实现,由 ChainSafe 团队开发和维护。作为区块链 2.0 信标链的客户端之一,Lodestar 采用 TypeScript 编写,为开发者提供了一个灵活、可扩展的解决方案。本次发布的 v1.27.0-rc.0 版本是一个候选发布版本,包含了多项功能增强和错误修复,为即将到来的正式版本奠定了基础。
核心功能更新
历史数据修剪功能
新版本引入了 --chain.pruneHistory 标志,这是一个重要的性能优化功能。在区块链网络中,随着时间推移,节点存储的历史数据会不断增长。这个新功能允许节点操作者选择性地修剪不再需要的旧历史数据,从而有效减少存储空间的占用。对于运行全节点的用户来说,这可以显著降低长期运行的存储成本,同时保持节点的核心功能不受影响。
异步聚合与随机性增强
asyncAggregateWithRandomness 功能的加入(#7204, #7435)改进了验证者客户端的签名聚合过程。在区块链的共识机制中,验证者需要定期对区块进行签名和聚合。这个新实现通过引入异步处理和随机性元素,提高了签名聚合的效率和安全性,有助于网络整体性能的提升。
压缩算法优化
v1.27.0-rc.0 版本将默认的压缩算法切换为 snappy-wasm(#6483)。WASM(WebAssembly)实现相比传统的 JavaScript 实现通常能提供更好的性能。在网络通信密集的区块链环境中,这种优化可以降低 CPU 使用率,提高数据传输效率,最终提升节点的同步速度和整体响应能力。
网络升级准备
Electra 升级支持
本次更新为 Holesky 和 Sepolia 测试网安排了 Electra 升级(#7402)。Electra 是区块链路线图中的一个重要升级,包含多项协议改进。通过在测试网上先行部署,开发者可以提前验证升级的兼容性和稳定性,为主网的顺利升级做好准备。
EIP-6110 实施
根据 EIP-6110 的规范,新版本开始废弃 eth1 数据轮询机制(#7414)。这是区块链从工作量证明(PoW)向权益证明(PoS)完全过渡的又一重要步骤。随着合并(The Merge)的完成,eth1 数据不再需要通过独立的轮询机制获取,这一变更简化了客户端架构,减少了不必要的资源消耗。
错误修复与稳定性改进
针对区块生产过程中的潜在问题,新版本增加了区块生产超时时间(#7420)。在复杂的网络环境或高负载情况下,节点可能会遇到事件循环延迟,这一调整确保了区块生产过程的可靠性,减少了因临时延迟导致的区块丢失风险。
配置选项调整
本次更新取消了对 --chain.archiveStateEpochFrequency 标志的隐藏(#7433)。这个参数控制着存档节点保存历史状态的频率,现在节点操作者可以更灵活地配置这一参数,根据自身需求平衡存储空间和历史数据可用性。
此外,团队恢复了之前版本的 getPendingBalanceToWithdraw 实现(#7419)。这一调整表明开发团队在持续优化过程中会认真评估每个变更的实际效果,并在必要时回退到更稳定的实现,确保网络的可靠性。
总结
Lodestar v1.27.0-rc.0 版本作为下一个稳定版的候选版本,展示了 ChainSafe 团队对区块链共识层客户端持续优化的承诺。从存储管理到网络协议,从性能优化到错误修复,这一版本在多方面都有显著改进。对于节点运营者和区块链开发者而言,这些变化不仅提升了客户端的性能和稳定性,也为即将到来的网络升级做好了准备。随着测试的完成和反馈的收集,我们可以期待一个更加成熟稳定的正式版本很快与社区见面。
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