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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust021
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00