Ordinals项目0.23.0版本发布:增强预览功能与API改进
Ordinals是一个基于区块链网络的协议,它允许用户在区块链的最小单位聪(satoshis)上刻录数据,实现非同质化代币(NFT)的功能。这个项目为区块链生态带来了全新的应用场景,使得每个聪都可以携带独特的内容和元数据。
核心功能更新
预览与缩略图功能优化
0.23.0版本对预览功能进行了显著改进,现在系统能够明确区分预览图和缩略图两种展示形式。预览图用于展示内容的完整视图,而缩略图则作为快速浏览的小尺寸版本。为了提升用户体验,所有缩略图现在都带有边框设计,使界面更加整洁美观。
对于iframe类型的媒体内容,新版增加了包装层处理,确保这些内容在预览页面中能够正确显示和运行。这一改进特别适用于嵌入视频、音频等多媒体内容的情况。
音频格式支持扩展
开发团队注意到OGG音频格式在区块链铭文中的使用需求,因此在0.23.0版本中增加了对audio/ogg内容类型的识别支持。现在系统能够正确识别并处理这种格式的音频文件,为用户提供了更广泛的媒体支持。
API接口增强
交易确认与输出状态
API现在提供了更详细的交易确认信息,修复了输出页面中关于交易是否已花费的状态显示问题。这一改进使得开发者能够更准确地追踪交易状态,构建更可靠的应用程序。
递归端点扩展
项目新增了几个递归API端点,包括:
- 通过sat编号和索引获取特定聪的内容
- 查询特定铭文的父级铭文列表
- 递归获取sat在特定索引处的内容
这些端点为开发者提供了更灵活的数据查询方式,使得构建复杂的应用逻辑成为可能。
铭文画廊功能
0.23.0版本引入了铭文画廊功能,为用户提供了一种全新的方式来浏览和展示他们的区块链铭文收藏。这一功能预计将大大提升Ordinals生态的内容展示体验。
性能与稳定性改进
项目升级了底层数据库引擎redb至2.4.0版本,显著提高了在区块链重组(reorg)情况下的性能表现。同时,团队优化了SameSat模式下的指针处理逻辑,避免了不必要的指针移动,提升了系统效率。
开发者体验优化
为了支持更广泛的开发场景,0.23.0版本放宽了CORS(跨域资源共享)策略,现在允许更多类型的跨域请求,包括POST请求和特定的内容类型。此外,团队重构了部分代码结构,将ParsedEnvelope和Envelope等关键类设为公开,方便开发者进行更深入的集成开发。
文档与示例完善
开发团队持续改进项目文档,修正了度数表示法的示例错误,优化了预览页面的标题显示,并简化了递归API的示例说明。这些改进使得新用户能够更快上手Ordinals开发。
Ordinals 0.23.0版本的发布标志着该项目在功能丰富度和开发者友好性方面又向前迈进了一步。随着预览功能的完善和API的扩展,Ordinals生态系统有望吸引更多开发者和用户参与,推动区块链NFT应用的进一步发展。
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