Stellar Core v22.2.0 版本发布:性能优化与架构革新
Stellar Core 是 Stellar 区块链网络的核心实现,负责处理交易、维护账本状态以及网络共识。作为分布式账本技术的核心组件,Stellar Core 的每次版本更新都代表着网络性能和安全性的重要进步。
稳定性改进与性能提升
本次 v22.2.0 版本带来了多项重要的稳定性改进和性能优化。在负载处理方面,开发团队对系统进行了深度优化,显著提升了处理能力。内存测试机制得到了增强,确保系统在高负载下的稳定性。特别值得注意的是,团队修复了预取指标的问题,并在启动时初始化了所有点负载指标,为系统监控提供了更全面的数据支持。
在提名蒙特卡洛模拟方面,新版本扩展了分析功能,现在可以更全面地评估超时情况。负载生成器新增了"停止"模式,为测试场景提供了更灵活的控制选项。这些改进共同提升了 Stellar 网络在各种场景下的稳定性和可靠性。
架构革新:内存数据库与并行处理
v22.2.0 版本标志着 Stellar Core 架构的重要演进。最显著的改变是全面移除了对 SQL 账本状态的支持,这意味着 BucketListDB 现在成为强制使用的存储引擎。这一变革带来了多项 SQL 表的废弃,包括账户、信任线、数据等传统存储结构。
新版本引入了革命性的内存中 Bucket 实现,大幅提升了数据访问速度。同时,随机淘汰缓存机制经过优化,现在专门针对账户数据进行优化,提高了缓存效率。这些架构改进为系统带来了显著的性能提升,特别是在高频交易场景下。
并行账本关闭功能的引入是另一个重要创新。通过将不同阶段的工作并行化,系统能够更高效地处理账本关闭过程。开发团队还实现了热归档功能,包括持久性条目迁移和交易应用,为历史数据处理提供了更高效的解决方案。
Soroban 智能合约支持增强
针对 Stellar 的智能合约平台 Soroban,新版本进行了多项改进。负载生成器现在使用重新校准的成本参数,确保测试环境更接近真实场景。初始支持了并行 Soroban 阶段 XDR 处理,为未来性能扩展奠定了基础。
团队还增加了对每个账本最大依赖交易集群数量的设置支持,为智能合约执行提供了更精细的控制。这些改进使 Soroban 平台更加稳定和高效,为开发者提供了更好的智能合约开发体验。
开发者工具与测试改进
在开发者体验方面,v22.2.0 进行了多项优化。GitHub Action 文件已更新至使用 Ubuntu-22.04 环境,确保构建过程的现代性和安全性。Visual Studio 项目文件也进行了相应更新,方便 Windows 平台开发者。
测试基础设施得到显著增强,特别是在禁用 PostgreSQL 的构建中修复了测试问题。团队还增加了检查线程类型的功能,为多线程调试提供了更好的支持。这些改进使开发者能够更高效地构建和测试基于 Stellar Core 的应用。
未来发展方向
虽然 v22.2.0 已经带来了诸多创新,但 Stellar Core 的发展步伐不会停止。开发团队已经预告,在下一个版本中将完全移除 DEPRECATED_SQL_LEDGER_STATE 配置标志,标志着架构转型的最终完成。
值得注意的是,升级到 v22.2.0 后会有一次性的缓慢启动过程,这是因为需要将旧版 Bucket 索引迁移到新格式。这种短期的性能影响是为了换取长期显著的性能提升,是技术演进过程中的必要步骤。
Stellar Core v22.2.0 通过架构革新和性能优化,为 Stellar 网络奠定了更强大的基础。这些改进不仅提升了当前网络的性能和稳定性,也为未来的功能扩展和技术演进创造了条件。
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