Plutus项目中的quotientInteger成本模型问题解析
背景介绍
在Plutus智能合约平台中,内置函数quotientInteger的成本模型实现存在一个值得关注的技术细节。这个函数用于计算两个整数的商,其成本计算方式直接影响着智能合约执行时的资源消耗评估。
成本模型问题分析
Plutus执行引擎使用不同的成本模型来评估内置函数的执行开销。对于quotientInteger函数,成本模型被标记为"constant above diagonal"(对角线上方为常数),这实际上是一个正确的设计选择,尽管初看起来可能令人困惑。
当计算quotientInteger x y时,如果x的位大小小于y(即在对角线上方),结果通常为0,计算过程非常简单。相反,如果x的位大小大于y(对角线下方),则需要执行更复杂的除法运算。因此,"constant above diagonal"的模型准确地反映了这一计算特性。
成本模型实现细节
Plutus项目中有多个成本模型文件(builtinCostModelA、builtinCostModelB和builtinCostModelC),它们分别对应不同的协议版本和Plutus语言版本:
- builtinCostModelA:用于PlutusV1和PlutusV2脚本,在Chang硬分叉前(协议版本<9)
- builtinCostModelB:用于PlutusV1和PlutusV2脚本,在Chang硬分叉后(协议版本≥9)
- builtinCostModelC:专用于PlutusV3脚本(仅存在于协议版本≥9)
这种多版本成本模型的并存增加了系统的复杂性,未来团队计划统一这些模型以简化维护。
开发实践中的发现
在第三方实现(如OpShin和Aiken)中,开发人员曾对quotientInteger的成本模型产生过疑问。特别是在OpShin的实现中,最初错误地实现了"constant above diagonal"逻辑,导致测试失败。这一问题的发现凸显了正确理解成本模型的重要性。
测试覆盖建议
当前的测试用例主要覆盖了对角线下方的复杂计算场景,建议增加对角线上方的测试案例,以验证成本模型在所有情况下的正确性。这将有助于未来实现者避免类似的实现错误。
总结
Plutus的成本模型系统是一个复杂但精妙的设计,quotientInteger函数的成本模型实现体现了对计算特性深入理解后的优化选择。随着Plutus平台的演进,成本模型系统有望变得更加统一和简化,但当前的多版本并存状态需要实现者特别注意。
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-1.5暂无简介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
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
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