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。
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