Sui区块链测试网v1.44.2版本技术解析
Sui是由Mysten Labs开发的高性能Layer1区块链,采用基于对象的数据模型和Move智能合约语言,旨在为下一代去中心化应用提供快速、安全和可扩展的基础设施。本次发布的testnet-v1.44.2版本包含多项重要协议升级和功能改进,下面我们将从技术角度深入分析这些更新。
协议层关键升级
本次版本将协议版本升级至76,主要包含以下核心改进:
-
Passkey支持增强:在测试网环境中全面启用了Passkey功能,这是一种更安全的身份验证机制。特别值得注意的是,该版本还在多重签名(multisig)功能中加入了Passkey支持,通过特定的功能标志控制,目前已在开发网和测试网环境中启用。
-
Deepbook V2迁移:对Sui内置的去中心化交易平台Deepbook进行了重要调整,正式弃用Deepbook V2版本的大部分功能,仅保留了取消订单和资金提取两个关键操作。这一变化意味着项目正在推动用户向更新的版本迁移。
-
共识机制优化:引入了共识垃圾回收机制和新的提交规则,这是对Sui共识算法的重要改进。垃圾回收机制有助于减少节点存储的历史数据量,而新的提交规则则可能优化了区块确认流程,这些改变共同提升了网络的整体效率。
GraphQL接口变更
在API层面,本次版本移除了ObjectFilter中的objectKeys字段,这是继之前发布弃用通知后的正式移除动作。开发者现在需要使用multiGetObjects接口来获取多个对象数据。这一变更简化了API设计,统一了多对象查询的方式。
命令行工具(CLI)增强
Sui CLI工具在此版本中获得了多项实用改进:
-
智能依赖管理:sui client publish/upgrade命令现在默认会移除源代码中未引用的依赖项,避免将无用依赖发布到链上。这一改进显著提升了发布效率,减少了链上存储的冗余。
-
PTB(Programmable Transaction Blocks)增强:sui client ptb命令现在支持将sui::object::ID值作为纯输入创建交易。ID输入可以像地址一样以十六进制数表示(带@前缀),其类型会根据使用场景自动推断。这一改进简化了复杂交易的构建过程。
技术影响与开发者建议
对于基于Sui开发的DApp项目,需要注意以下几点:
-
如果应用使用了Deepbook V2的功能(除取消和提取外),需要尽快迁移到新版本接口。
-
使用GraphQL查询多对象的代码需要检查是否依赖了objectKeys字段,必要时改用multiGetObjects接口。
-
利用新的CLI功能可以优化发布流程,特别是在处理依赖关系时能自动保持精简。
-
Passkey支持的扩展为应用提供了更强大的身份验证选项,特别是在多重签名场景下安全性得到提升。
这个版本的发布体现了Sui团队对网络性能和安全性的持续优化,同时也展示了对开发者体验的重视。建议测试网用户及时升级节点和工具链,以体验这些新功能和改进。
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