Plutus UPLC 版本间评估结果差异问题分析
问题背景
在Plutus项目中,用户nau报告了一个关于UPLC(Untyped Plutus Core)评估器在不同版本间行为差异的问题。具体表现为:当使用1.30.0.0版本和1.31.0.0版本的uplc工具评估同一个Plutus V1脚本时,得到了不同的评估结果。
技术细节
该问题涉及到一个Plutus V1脚本的评估过程,该脚本通过unsafeFromBuiltinData函数将ScriptContext转换为内置数据。用户提供了一个完全应用的flat十六进制编码脚本,并使用两种版本的uplc工具进行评估。
评估结果的主要差异体现在lambda表达式的变量引用上:
- 1.30.0.0版本输出:
(delay (lam i2 (lam i3 i2))) - 1.31.0.0版本输出:
(delay (lam i2 (lam i3 i3)))
这种差异看似微小,但实际上反映了变量绑定和引用机制的变化,可能对程序语义产生重要影响。
问题根源
经过项目维护者kwwxm和effectfully的调查,发现问题的根源在于UPLC AST中名称表示方式的变更:
-
UPLC AST内部使用两种名称表示形式:
- 字符串与唯一标识符配对
- 字符串与de Bruijn索引配对
-
在1.31.0.0版本中,默认的打印模式从显示唯一ID变为了显示de Bruijn索引(或反之),这导致了输出结果的差异。
-
用户没有指定
--print-mode Classic选项,导致使用了新的默认打印模式。
解决方案
要获得一致的评估结果,用户应该:
- 在1.31.0.0及更高版本中明确指定
--print-mode Classic选项 - 这样将强制使用传统的打印方式,确保与早期版本的结果一致
深入分析
Simple打印模式虽然在某些场景下有用(如golden测试中避免因变量重排序导致的测试变更),但在常规使用中可能会产生"不正确"的UPLC输出。这是因为:
- 它会忽略变量的唯一标识符
- 可能导致变量捕获问题
- 在重新解析时可能创建新的唯一标识符
因此,对于需要精确结果的场景,建议始终使用Classic打印模式。
结论
这个问题揭示了Plutus UPLC实现中名称处理和打印模式的重要细节。虽然表面上是打印输出的差异,但实际上反映了底层AST表示和变量绑定机制的复杂性。开发者在跨版本使用UPLC工具时,应当注意打印模式的配置,以确保结果的一致性和正确性。
项目维护者已经意识到这个问题,并计划进一步改进打印模式的处理逻辑,使其在不同场景下的行为更加明确和一致。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00