NEARCore 2.5.0版本深度解析:分片重构与性能优化
项目背景与版本概述
NEARCore是NEAR区块链协议的核心实现,作为新一代高性能区块链平台,NEAR以其独特的分片架构和开发者友好特性在Web3领域占据重要地位。2.5.0版本的发布标志着NEAR网络在可扩展性和性能方面迈出了重要一步,通过引入第三代分片重构(Resharding V3)和跨分片带宽调度器等关键技术改进,为网络吞吐量和稳定性带来显著提升。
核心协议升级解析
第三代分片重构(Resharding V3)
本次升级的核心特性是实现了第三代分片重构技术,通过NEP-568改进方案引入。这项技术改进包含两个关键阶段:
-
分片布局优化:网络将从现有的6个分片逐步扩展至8个分片,通过协议版本75和76分两次完成。新的分片布局采用更智能的账户分配算法,使分片ID不再局限于简单的数字序列,而是转变为更具语义的标识符。
-
内存管理革新:在分片重构过渡期间,节点需要将分片2和3完整加载到内存中。这一设计虽然会暂时增加内存需求(建议至少64GB),但确保了重构过程的平滑进行。重构完成后,非验证节点可通过重启释放内存资源。
技术团队特别提供了故障恢复方案,当节点在重构过程中意外终止时,可通过neard flat-storage resume-resharding命令恢复重构流程,确保网络稳定性。
跨分片带宽调度器
基于NEP-584改进方案实现的跨分片带宽调度器是另一项重大改进:
- 智能流量控制:该系统通过动态管理分片间收据传输,显著提升了跨分片交易的吞吐量
- 水平扩展基础:为未来进一步增加分片数量奠定了技术基础,使网络能够更灵活地应对流量增长
- 协议版本74支持:该功能将随协议版本74的激活而启用
非协议性技术优化
状态同步机制改进
2.5.0版本对状态同步流程进行了重要调整:
- 同步时机优化:节点现在会在新周期开始后等待若干区块再进行状态同步,提高了同步效率
- 服务提供商切换:Fast NEAR成为新的状态部分提供方,旧服务将逐步淘汰。用户需更新配置中的存储桶设置为
fast-state-parts
交易处理并行化
通过并行化交易验证流程(包括签名检查),节点处理交易的能力得到显著提升。这项优化特别有利于高负载场景下的RPC节点性能表现。
升级计划与注意事项
技术团队制定了严谨的协议升级时间表:
- 协议版本74将于2025年3月9日开始投票
- 协议版本75将于3月11日开始投票
- 协议版本76将于3月16日开始投票
硬件建议:在完整升级周期内,验证节点、RPC节点和归档节点应确保至少64GB内存配置。特别提醒排名21-25的验证节点也应满足此要求以确保出块稳定性。
技术影响与展望
NEARCore 2.5.0版本的发布标志着网络向更高性能架构演进的关键一步。第三代分片重构不仅解决了当前网络的扩展性瓶颈,其灵活的分片ID设计更为未来的动态分片调整奠定了基础。跨分片带宽调度器的引入则显著提升了分片间通信效率,这两项改进共同构成了NEAR实现真正水平扩展的技术支柱。
对于开发者而言,这些底层改进将带来更稳定的网络环境和更高的交易处理能力,而节点运营者则需要关注过渡期的资源管理要求。随着这些技术的逐步落地,NEAR网络将能够更好地支持大规模去中心化应用的部署和运行。
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