Sui测试网v1.45.0版本深度解析
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。近日,Sui测试网发布了v1.45.0版本更新,带来了一系列协议改进和功能增强,本文将深入解析这一版本的技术亮点。
协议层重大升级
本次更新将Sui协议版本提升至78,包含了多项核心改进:
-
共识机制优化:测试网启用了共识垃圾回收机制和新的提交规则,这一改进将显著提升网络处理效率,减少不必要的资源消耗。垃圾回收机制能够自动清理过期的共识数据,而新的提交规则则优化了交易确认流程。
-
原生交易上下文支持:新增协议版本引入了对原生交易上下文和赞助(sponsor)功能的支持。这一特性为开发者提供了更灵活的交易构建方式,特别是对于需要复杂交互场景的DApp开发具有重要意义。
-
拥塞控制增强:测试网启用了新的"ExecutionTimeEstimate"模式用于拥塞控制。该模式通过更精确地估算交易执行时间,能够更有效地管理网络负载,防止网络拥塞,确保在高流量情况下的稳定运行。
开发者工具与接口改进
-
JSON-RPC增强:在dry run交易中现在会返回更详细的错误源信息,这大大提升了开发调试效率。开发者可以更快速地定位和解决交易执行中的问题。
-
CLI工具优化:
- 现在当Move.toml中未包含系统包依赖时,CLI会自动隐式添加对MoveStdLib、Sui、System、DeepBook和Bridge等系统包的依赖,简化了项目配置流程。
- 移除了sui console命令,这是工具链精简的一部分,开发者应使用其他替代方式实现类似功能。
-
GraphQL稳定性提升:修复了分区推进中的稳定性问题,虽然不影响接口本身,但提升了后端服务的可靠性。
技术影响与开发者建议
-
性能优化:新的共识机制和拥塞控制算法将显著提升测试网的吞吐量和响应速度,开发者可以预期更稳定的网络性能。
-
开发体验提升:自动依赖管理和更详细的错误信息将大幅降低开发门槛,特别是对于刚接触Sui生态的开发者更为友好。
-
兼容性考虑:虽然本次更新引入了协议版本变更,但保持了良好的向后兼容性。开发者应注意CLI工具的变更,特别是sui console命令的移除,需要调整相关开发流程。
-
测试建议:由于引入了原生交易上下文等新特性,建议开发者在测试环境中充分验证相关功能,特别是涉及复杂交易场景的应用。
总结
Sui测试网v1.45.0版本通过协议层的多项优化和开发者工具的改进,进一步提升了网络的性能和开发体验。这些变化体现了Sui团队对网络基础设施持续优化的承诺,也为即将到来的主网升级奠定了基础。开发者可以利用这些新特性构建更高效、更复杂的去中心化应用,推动Sui生态的进一步发展。
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