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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00