Lighthouse v7.0.0 版本发布:Electra 硬分叉与重大功能更新
Lighthouse 是以 Rust 语言实现的区块链共识层客户端,由 Sigma Prime 团队开发维护。作为区块链生态中性能优异的客户端选择之一,Lighthouse 以其高效稳定著称,特别适合生产环境部署。本次发布的 v7.0.0 版本是 Lighthouse 的一个重要里程碑,主要引入了区块链 Electra 硬分叉支持,并带来多项功能增强与优化。
核心更新:Electra 硬分叉支持
v7.0.0 版本最重要的更新是对 Electra 硬分叉的全面支持。Electra 是区块链共识层的重大升级,与执行层的 Prague 升级共同构成 Pectra 升级。Electra 的核心特性是引入了"最大有效余额"(Max EB)机制,将单个验证者的最大有效余额从 32 ETH 提升至 2048 ETH。
这一改变将显著提升网络运行效率,降低验证者数量同时保持同等安全级别。更重要的是,Max EB 机制消除了质押激励中的某些中心化因素,使独立验证者也能获得之前仅大型运营商才能享受的复利收益。
验证者可以通过"合并"(consolidation)操作来调整其最大有效余额,这是一种将质押从一个验证者转移到另一个验证者的过程。合并操作通过智能合约调用触发,完全自愿且可选择性执行。对于运行少量验证器的独立运营商,无需强制进行合并操作。
网络协议与性能优化
v7.0.0 在网络协议方面做出了重要改进,默认启用了 IPv6 支持。当检测到全局可路由地址时,Lighthouse 将自动监听 IPv6 连接。对于仅配置 IPv4 的大部分用户,这一变更不会产生影响,但能显著改善已正确配置 IPv6 栈的用户体验。IPv6 默认监听端口已从 9090 改为 9000(与 IPv4 相同),可通过 --port6 标志调整。
在性能方面,v7.0.0 优化了状态缓存机制,默认缓存大小调整为 32,以在非最终性期间更好地控制内存使用。同时改进了状态缓存启发式算法,提升了非最终性期间 BlocksByRange/BlobsByRange 请求的响应效率。对于连接 HTTP API 的服务(如 Rocket Pool 奖励生成、区块浏览器等),建议将 --state-cache-size 设置为更高值(如 128)以获得更好性能。
验证者相关改进
新版本在验证者客户端方面有几个重要更新:
-
Gas Limit 强制执行:Lighthouse 现在会在验证来自外部构建者(如 mev-boost 中继)的执行负载时强制执行 Gas Limit 偏好设置。用户可通过
--gas-limit为连接到 VC 的所有验证器配置 Gas Limit,或在validator_definitions.yml文件中设置单独限制。 -
新增
--disable-attesting标志:允许临时禁用验证者客户端的证明功能,便于维护操作。 -
改进的验证者合并工具:为 Electra 的验证者合并操作提供了更完善的工具链支持。
其他重要特性
-
实验性 redb 数据库后端:新增了对 redb 数据库后端的支持,目前仍处于实验阶段,仅推荐专家用户使用。
-
运行时可信节点管理:新增了运行时动态添加可信节点的 API 接口。
-
完整 Hoodi 测试网支持:新增了
--network hoodi标志以支持 Hoodi 测试网。 -
默认启用轻客户端服务器:轻客户端服务器现在默认启用,无需额外配置。
升级注意事项
-
强制升级:所有主网用户必须在 2025 年 5 月 7 日 Electra 分叉前升级到 v7.0.0 版本,否则需要重新同步链数据。
-
执行客户端兼容性:必须同时升级执行客户端至兼容 Pectra 的版本,包括 Reth v1.3.12、Nethermind v1.31.9、Geth v1.15.9 等。
-
Rust 编译器要求:从源码编译的用户需将 Rust 编译器升级至 1.83.0 或更高版本。
-
IPv6 回退:如需禁用 IPv6,可使用
--listen-address 0.0.0.0标志仅监听 IPv4。 -
状态缓存日志:由于缓存大小调整,可能会看到更多
WARN State cache missed日志,这些警告可安全忽略,将在下个版本中降级为 DEBUG 级别。
总结
Lighthouse v7.0.0 是一个功能丰富且关键的版本更新,不仅为即将到来的 Electra 硬分叉做好准备,还带来了多项网络协议改进和性能优化。对于区块链节点运营商而言,及时升级至该版本至关重要,以确保网络顺利过渡到新的共识机制。新版本在验证者功能、数据库选项和网络协议等方面的增强,进一步巩固了 Lighthouse 作为高效稳定区块链客户端的地位。
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