Lodestar v1.26.0-rc.0版本发布:Electra升级与性能优化
Lodestar是区块链2.0的TypeScript实现,由ChainSafe团队开发维护。作为区块链生态中的重要客户端,Lodestar为开发者提供了使用JavaScript/TypeScript构建信标链和验证器客户端的解决方案。本次发布的v1.26.0-rc.0版本是一个重要的预发布版本,主要围绕Electra升级和网络性能优化展开。
Electra升级支持
本次版本最显著的变化是增加了对Electra硬分叉的初步支持。开发团队实现了Electra规范中的多项关键功能:
-
Electra验证者惩罚处理:完善了验证者在Electra网络中的惩罚机制,确保网络安全性。当验证者行为不当时,系统能够正确识别并执行相应的惩罚措施。
-
部分提款余额计算:优化了部分提款情况下的余额计算逻辑,确保在Electra网络升级后,验证者能够准确计算部分提款后的剩余余额。
-
执行请求处理:根据EIP-7685规范,改进了执行请求的序列化和反序列化过程,确保与执行层的交互数据格式正确无误。
网络性能优化
在网络通信方面,本次更新带来了多项改进:
-
Blob数据传输监控:新增了Blob数据传输的指标收集和仪表板,使节点运营者能够更直观地监控网络中的Blob数据传输情况。
-
速率限制调整:更新了BeaconBlocksByRoot/Range和BlobSidecarsByRoot/Range请求的速率限制策略,使用Deneb阶段设定的值,优化了网络资源分配。
-
区块生产选择日志:在区块生产选择过程中增加了原因说明日志,帮助开发者更好地理解区块选择逻辑。
数据结构与算法改进
在底层数据结构处理方面,本次更新包含多项优化:
-
大整数支持:使用Bigint类型处理存款索引,确保能够处理大数值情况下的存款记录。
-
随机值计算:采用16位随机值计算验证者索引,提高了验证者选择过程的随机性和公平性。
-
SSZ序列化优化:移除了冗余的blockBytes/blobBytes处理,简化了数据结构序列化过程。
验证者相关改进
针对验证者操作,本次更新特别关注:
-
单条证明处理:完善了单条证明(SingleAttestation)的处理逻辑,包括正确的签名提取和验证者索引获取。
-
缓存优化:改进了证明缓存机制,移除了聚合位(aggregation bits)的缓存,提高了缓存效率。
-
自愿退出检查:在处理验证者自愿退出时,增加了待处理提款余额的检查,确保验证者满足退出条件。
开发者工具与测试
为提升开发体验,本次更新还包含:
-
性能测试框架:将性能测试迁移至@chainsafe/benchmark框架,提供更准确的性能基准。
-
SSZ版本升级:将SSZ及相关配套包升级至v1.0.0版本,确保使用最新的序列化标准。
-
多分支类型支持:为IndexedAttestation添加多分支类型支持,提高代码的灵活性和可维护性。
这个预发布版本标志着Lodestar向全面支持Electra升级迈出了重要一步,同时也为网络性能和稳定性带来了显著提升。开发团队鼓励节点运营者在测试环境中部署此版本,为即将到来的主网升级做好准备。
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