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。
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