Aptos Core项目发布v1.28.7版本:账户抽象与性能优化详解
Aptos Core是一个高性能的Layer1区块链项目,采用Move语言作为智能合约开发语言,以其创新的并行执行引擎和模块化架构著称。该项目由前Meta(原Facebook)Diem团队成员开发,旨在构建一个安全、可扩展的区块链基础设施。
账户抽象功能升级
本次发布的v1.28.7版本引入了可派生账户抽象(Derivable Account Abstraction, DAA)这一重要特性。这是对传统账户模型的一次重大革新,允许用户通过抽象公钥和认证函数的组合来派生账户地址。
具体来说,DAA方案使得开发者可以:
- 使用任意类型的公钥(如RSA公钥)作为账户标识基础
- 定义自定义的认证逻辑(如特定的签名验证算法)
- 通过确定性算法生成对应的区块链账户地址
这种设计极大地扩展了区块链账户的使用场景,使得传统Web2应用可以更平滑地迁移到区块链上,同时也为多因素认证等复杂安全模型提供了可能性。
密码学功能增强
在密码学方面,本次更新带来了两个重要改进:
-
批量Pedersen承诺验证:在ristretto_bulletproofs.move模块中新增了支持批量验证Pedersen承诺的功能。Pedersen承诺是一种重要的密码学原语,常用于隐私保护场景。批量验证可以显著减少需要验证多个承诺时的计算开销。
-
secp256k1恢复函数优化:对secp256k1椭圆曲线的ECDSA签名恢复函数进行了改进,提供了更详细的错误代码,这将帮助开发者更准确地诊断和处理签名验证失败的情况。
代币与资产管理系统改进
-
特殊绑定代币(SBT)安全销毁:实现了AIP-109方案,允许安全销毁不需要的特殊绑定代币。特殊绑定代币是一种不可转让的NFT,常用于身份认证等场景。这一改进解决了之前SBT无法被销毁可能导致的状态膨胀问题。
-
代币符号长度扩展:将代币符号的最大长度从原来的限制扩展到了32字节,为更复杂的代币命名提供了灵活性。
-
事件系统优化:暂停了coin事件的迁移过程,并添加了FA存储删除时的事件通知,增强了系统的可观测性。
性能与存储优化
在节点性能方面,本次更新包含了两项重要改进:
-
状态缓存机制:显式地将最近访问的状态项缓存到内存映射中,这将显著减少频繁访问数据时的磁盘I/O开销,提升节点响应速度。
-
账本修剪窗口调整:将默认的账本修剪窗口缩小至1亿个版本,这一调整可以显著减少节点的磁盘空间占用,特别是对于全节点运营者来说将大大降低存储成本。
总结
Aptos Core v1.28.7版本在账户抽象、密码学功能、代币管理和节点性能等多个方面都带来了实质性改进。特别是可派生账户抽象的引入,为区块链账户模型开辟了新的可能性,将使Aptos生态系统能够支持更丰富的应用场景。同时,性能优化措施也体现了项目团队对节点运营者实际需求的关注。这些改进共同推动Aptos向成为更高效、更灵活的区块链基础设施的目标迈进。
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