Lodestar v1.27.0 版本发布:Pectra 测试网支持与系统稳定性提升
Lodestar 是区块链网络 2.0 的一个轻量级客户端实现,由 ChainSafe 团队开发,采用 TypeScript 编写。作为区块链生态中的重要组成部分,Lodestar 为开发者提供了参与区块链共识层的另一种选择,特别适合那些熟悉 JavaScript/TypeScript 技术栈的用户。
关键更新概览
本次发布的 v1.27.0 版本是一个重要的里程碑,主要针对即将到来的 Pectra 硬分叉测试网做准备。该版本包含多项关键改进:
- Pectra 测试网支持:为 Ephemery、Holesky 和 Sepolia 网络提供了完整的 Pectra 硬分叉支持
- 系统稳定性增强:修复了二进制文件与 systemd 集成时的退出信号处理问题
- 性能优化:包括区块生产超时调整和同步委员会更新改进
Pectra 硬分叉支持细节
v1.27.0 版本为即将到来的 Pectra 硬分叉提供了全面支持,特别是在测试网络上的部署:
- Holesky 网络:计划在 epoch 115968(2月24日)激活 Pectra
- Sepolia 网络:计划在 epoch 222464(3月5日)激活 Pectra
- Ephemery 网络:也已做好 Pectra 升级准备
这些升级包含了 Electra 规范的修复和必要的硬分叉参数调整,确保网络能够顺利过渡到新版本。
核心功能改进
1. 异步聚合与随机性增强
新版本重新引入了异步聚合功能(asyncAggregateWithRandomness),这一特性对于提高验证者效率至关重要。它允许验证者在不必等待完整区块确认的情况下,就开始进行签名聚合,从而减少整体延迟。
2. 历史数据修剪功能
新增的 --chain.pruneHistory 标志允许节点运营者控制历史数据的存储策略。这一功能对于资源受限的环境特别有价值,可以显著减少存储空间的使用,同时保持节点的核心功能。
3. EIP-6110 相关改进
随着 EIP-6110 的推进,本版本开始逐步弃用 eth1 数据轮询机制,这是向更高效的数据获取方式过渡的重要一步。
系统稳定性修复
1. systemd 集成修复
之前版本中,当 Lodestar 作为 systemd 服务运行时,有时无法正确处理退出信号,导致节点不能优雅关闭。v1.27.0 彻底解决了这一问题,确保了服务管理的可靠性。
2. 区块生产超时调整
考虑到事件循环可能出现的延迟,团队适当增加了区块生产超时设置,减少了因临时延迟导致的区块生产失败。
3. 同步委员会更新优化
改进了同步委员会更新的处理逻辑,提高了轻客户端的同步效率和可靠性。
开发者注意事项
对于使用 Lodestar 的开发者,需要注意以下几点:
- 测试网用户:运行在 Ephemery、Holesky 或 Sepolia 上的节点必须升级到 v1.27.0 以兼容即将到来的硬分叉
- 存储管理:新引入的修剪功能虽然强大,但仍处于完善阶段,生产环境使用需谨慎
- 性能调优:区块生产超时的调整可能需要根据具体硬件环境进行微调
总结
Lodestar v1.27.0 是一个面向未来的重要更新,不仅为即将到来的 Pectra 硬分叉做好了准备,还解决了一系列影响稳定性的关键问题。对于区块链生态系统参与者而言,及时升级到这一版本将确保节点的兼容性和可靠性。随着区块链技术不断演进,Lodestar 团队持续提供高质量的客户端实现,为多样化的区块链基础设施贡献力量。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C096
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00