BSC项目v1.5.11版本发布:支持1.5秒区块间隔的PBS(MEV)优化
BSC(Binance Smart Chain)是一个兼容EVM的高性能区块链网络,作为Binance生态系统的重要组成部分,它通过优化共识机制实现了高吞吐量和低交易成本。BSC网络近期即将激活BEP-520改进方案,将区块间隔从3秒缩短至1.5秒,这一重大升级需要节点软件的相应适配。
版本核心优化
v1.5.11版本是一个维护性更新,主要针对BSC网络即将实施的1.5秒区块间隔(Lorentz硬分叉)进行MEV(最大可提取价值)相关参数的优化调整。MEV机制对区块时间非常敏感,为了在更短的区块间隔下保持系统稳定性,本次更新调整了两个关键参数:
- 将每个构建者的最大投标数(defaultMaxBidsPerBuilder)从3降低到2
- 将无中断剩余时间(defaultNoInterruptLeftOver)从400毫秒缩短到250毫秒
这些调整相当于在配置文件中设置了以下参数:
[Eth.Miner.Mev]
MaxBidsPerBuilder = 2
NoInterruptLeftOver = 250000000
技术细节解析
在区块链系统中,MEV是指矿工或验证者通过调整交易顺序等方式获取的额外收益。BSC采用的PBS(提议者-构建者分离)架构将区块构建和提议过程分离,有助于减少MEV带来的中心化风险。
当区块间隔缩短到1.5秒后,原有的MEV参数可能导致以下问题:
- 投标处理时间不足,影响区块构建质量
- 投标竞争过于激烈,增加网络负载
- 中断处理不及时,影响区块传播效率
通过降低MaxBidsPerBuilder参数,可以减少每个构建者需要处理的投标数量,确保在更短的时间窗口内完成优化选择。而缩短NoInterruptLeftOver则确保系统能更及时地响应新的投标,避免因等待时间过长而错过更优的交易组合。
升级指南
对于运行BSC节点的用户,本次升级相对简单,只需进行二进制文件替换即可完成。无需复杂的配置调整或数据迁移,这体现了BSC团队对向后兼容性的重视。
其他改进
除了MEV相关优化外,v1.5.11版本还包含了一些其他改进:
- 修复了指标收集过程中可能出现的并发访问panic问题
- 优化了JavaScript工具函数getKeyParameters的实现
- 清理了重复的包导入,提高了代码整洁度
总结
BSC v1.5.11版本虽然是一个维护性更新,但对于即将到来的1.5秒区块间隔升级至关重要。通过精心调整MEV参数,BSC网络能够在保持高性能的同时,确保MEV机制的稳定运行,为开发者和用户提供更流畅的区块链体验。这种前瞻性的优化展现了BSC团队对网络性能和技术细节的持续关注,为后续的生态发展奠定了坚实基础。
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