Revm v59版本发布:EVM实现的重要升级与架构优化
项目简介
Revm是一个用Rust语言实现的高性能区块链虚拟机(EVM),它提供了完整的EVM功能实现,支持主流区块链网络和各种测试网络的协议规则。作为一个模块化的EVM实现,Revm被广泛应用于区块链客户端开发、智能合约测试和各类区块链工具链中。
核心变更概述
本次发布的v59版本包含了多项重要改进,主要集中在性能优化、代码重构和功能增强三个方面。从架构调整到具体实现细节,都体现了开发团队对代码质量和运行效率的不懈追求。
架构与API改进
-
模块导出优化:重新组织了crate的导出结构,现在所有子crate都可以直接从主revm crate中访问,简化了依赖管理。
-
预编译合约重构:将预编译合约相关的常量从各个模块中分离出来,集中管理,提高了代码的可维护性。特别修正了G1_msm基础gas费用的常量值,确保计算准确性。
-
数据库接口增强:
- 新增了
TryDatabaseCommit特性,为数据库提交操作提供了更灵活的错误处理机制 - 将
CacheDB的字段分离到独立的Cache结构中,使缓存管理更加清晰 - 增加了
with_ref_db函数,方便创建带有引用数据库的实例
- 新增了
-
交易处理改进:
- 为
TxEnv添加了derive_tx_type函数,简化交易类型推导 - 修复了EIP-7702前不需要加载代码的问题
- 允许测试文件中重复出现v和yparity字段,提高测试灵活性
- 为
性能优化
-
BN128预编译优化:简化了配对运算(pairing)的实现,减少了不必要的计算步骤。
-
Gas处理改进:为
LoopControl添加了不可变gas API,避免不必要的复制操作。 -
跳转表检查:放宽了跳转表长度检查的条件,提高了执行效率。
新功能与扩展性
-
新增硬分叉支持:
- 添加了Interop硬分叉支持
- 为Optimism添加了Osaka分叉,以激活EOF功能
-
独立Host实现:移除了Context中的默认实现,允许开发者更灵活地自定义Host环境。
-
日志条目泛型化:使日志条目支持泛型类型,提高了框架的扩展性。
-
Optimism专用改进:
- 修复了存款交易处理和错误捕获机制
- 优化了L1区块数据加载逻辑
- 将
revm-optimismcrate重命名为更具识别度的op-revm
开发者体验提升
-
错误处理改进:统一了预编译错误类型命名,从
PrecompileErrors改为更符合惯例的PrecompileError。 -
文档增强:
- 为Bytecode crate添加了详细文档
- 修正了多处注释错误和文档链接
- 移除了过时的TODO标记
-
示例代码更新:示例现在直接使用主revm crate而非子模块,降低了入门门槛。
-
调试支持:为
Evm和EvmData类型实现了Debug特性,方便开发调试。
代码质量与维护
-
依赖管理:将所有依赖项移动到workspace级别统一管理。
-
无用代码清理:
- 移除了未使用的
optional_gas_refund功能 - 删除了未使用的源文件
- 清理了多余的实现和错误类型
- 移除了未使用的
-
类型导出优化:统一了EIP-2930和EIP-7702相关类型的导出位置。
总结
Revm v59版本在保持高性能的同时,通过架构优化和功能增强,进一步巩固了其作为Rust生态中最成熟EVM实现的地位。特别是对Optimism的深度支持和数据库接口的改进,使其能够更好地满足各类区块链开发需求。这些变更不仅提升了框架的稳定性和性能,也为开发者提供了更友好、更灵活的API接口。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00