Space and Time项目中的InnerProductTypes重构实践
在Space and Time项目的sxt-proof-of-sql代码库中,最近完成了一项重要的代码重构工作,将InnerProductTypes相关类型从base模块迁移到了proof_primitive目录下。这项重构工作解决了代码库中的循环依赖问题,同时提升了代码的组织结构和可维护性。
重构背景
在项目开发过程中,开发团队发现base模块中包含了三个与内积证明相关的核心类型:Curve25519Scalar、RistrettoPoint和InnerProductProof。这些类型的存放位置导致了模块间的循环依赖问题,影响了代码的编译效率和架构清晰度。
重构方案
重构工作被分解为三个主要任务,每个任务对应一个独立的Pull Request:
-
Curve25519Scalar迁移:将Curve25519Scalar类型及其单元测试迁移到新创建的proof_primitive/inner_product目录下。这个类型代表了椭圆曲线密码学中使用的标量值。
-
RistrettoPoint迁移:将RistrettoPoint类型及其单元测试迁移到inner_product目录。RistrettoPoint是Ristretto椭圆曲线上的点表示,在密码学证明中扮演重要角色。
-
InnerProductProof迁移:将InnerProductProof类型及其单元测试迁移到inner_product目录。这个类型实现了内积证明的核心逻辑。
技术挑战
在重构过程中,开发团队遇到了几个技术挑战:
-
测试依赖问题:在迁移过程中,发现TestScalar类型仅在测试环境中可用,导致文档测试(doctest)无法找到该类型而失败。团队考虑了几种解决方案:
- 直接使用TestScalar会导致文档测试失败
- 将测试包装在#[test]函数中会触发Clippy警告
-
代码冲突风险:这项重构工作与另一个正在进行的问题(#234)可能存在代码冲突,需要特别注意协调。
-
依赖顺序:重构工作依赖于另一个问题(#230)的完成,这要求团队合理安排工作顺序。
解决方案
针对测试依赖问题,团队最终采用了以下策略:
- 保留原有的测试方式,不强制转换为使用TestScalar
- 对于必须使用TestScalar的情况,创建专门的测试模块
- 仔细处理文档测试,避免引入不必要的依赖
重构成果
通过这项重构工作,项目实现了以下改进:
- 消除了base模块与proof_primitive模块间的循环依赖
- 提高了代码的组织性和可维护性
- 为未来的功能扩展打下了更好的基础
- 保持了测试覆盖率和代码质量
这项重构工作展示了在复杂密码学项目中管理代码依赖和组织结构的重要性,也为类似项目提供了有价值的参考经验。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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