WalletConnect Web3Modal 1.7.5版本发布:钱包连接体验全面升级
项目简介
WalletConnect Web3Modal是一个开源的Web3钱包连接解决方案,它简化了DApp与各种区块链钱包的集成过程。通过提供统一的接口,开发者可以轻松实现钱包连接功能,而无需为每个钱包单独开发适配器。Web3Modal支持多种钱包协议,包括WalletConnect、MetaMask等主流解决方案。
核心改进
钱包连接稳定性提升
本次1.7.5版本对钱包连接流程进行了多项优化。修复了移动设备上无效钱包链接显示的问题,确保只有真正可用的钱包才会出现在用户选择列表中。同时改进了excludeWalletIds参数的实现,现在可以正确过滤不希望显示的钱包选项。
社交登录优化
社交登录功能得到了显著改进,移除了冗余的后端调用,优化了数据获取流程。钱包数据结构也根据新接收的数据格式进行了相应调整,提高了整体性能和数据一致性。
状态管理增强
解决了多个状态同步问题,包括:
- 修复了Wagmi适配器中钱包信息在刷新时错误同步的问题
- 确保defaultAccountTypes参数被正确遵守
- 改进了连接钱包信息状态处理,当找不到连接器或提供程序时使用连接器ID
交易流程改进
余额更新机制
新增了fetchBalance方法的公开接口,允许应用在完成交易后主动触发余额更新。同时修复了发送流程交易后余额不自动更新的问题,确保用户界面始终显示最新资产信息。
地址输入优化
改进了发送流程中的地址输入逻辑,使其对用户输入响应更加准确和及时。这一改进显著提升了用户体验,减少了因输入延迟导致的错误操作。
移动端体验增强
钱包重定向优化
特别针对移动设备进行了多项优化:
- 修复了Phantom移动钱包在EVM/Bitcoin链上的重定向问题
- 实现了Universal Link备用机制,当深度链接失效时自动尝试通用链接
- 确保移动设备上只显示真正可用的钱包选项
依赖升级与安全改进
本次更新包含了全面的依赖项升级:
- 升级了所有次要和补丁版本的依赖项
- 特别更新了WalletConnect相关依赖至最新版本
- 升级了相关区块链软件包
技术架构调整
提供程序获取优化
修复了Wagmi适配器中获取提供程序的实现方式,弃用了不可靠的自定义.prop属性,转而使用专用的.getProvider() API,提高了提供程序获取的稳定性。
网络切换处理
改进了认证连接器在网络切换时的行为,现在会正确保留现有账户状态,而不是覆盖之前的网络配置。
总结
WalletConnect Web3Modal 1.7.5版本通过一系列细致的技术改进,显著提升了钱包连接的稳定性、用户体验和整体性能。从核心连接流程到移动端优化,从状态管理到交易处理,本次更新覆盖了多个关键领域,为开发者提供了更可靠、更高效的Web3集成解决方案。这些改进使得Web3Modal在日益复杂的多链环境中保持了出色的兼容性和用户体验。
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