Fuel Core项目中状态根服务的专用表定义设计
背景介绍
在Fuel Core区块链项目中,状态根服务(State Root Service)负责维护和验证区块链状态数据的Merkle树结构。这项服务最初为了快速实现,直接复用了链上存储(onchain storage)的表定义结构。这种做法虽然短期内解决了问题,但随着项目发展,特别是当需要将MerkleizedTableColumn特性(trait)提取出来供压缩服务重用时,这种设计暴露出了明显的局限性。
原有设计的问题
原有实现直接对存储层的表结构进行Merkle化包装,例如:
/// Merkleized `ContractsRawCode` table.
pub type ContractsRawCode = Merkleized<fuel_core_storage::tables::ContractsRawCode>;
/// Merkleized `ContractsLatestUtxo` table.
pub type ContractsLatestUtxo = Merkleized<fuel_core_storage::tables::ContractsLatestUtxo>;
// ...其他表定义类似
这种设计存在几个关键问题:
-
孤儿规则限制:当尝试将
MerkleizedTableColumn特性提取到公共模块时,由于Rust的孤儿规则(orphan rule),无法为存储层的列直接实现这个特性。 -
职责混淆:状态根服务与底层存储服务职责边界不清晰,存储层的表结构变更可能意外影响状态根服务。
-
测试困难:共享表结构使得针对状态根服务的独立测试变得复杂。
解决方案:专用表定义
为了解决这些问题,项目决定为状态根服务设计专用的表定义结构。这种设计带来了以下优势:
-
清晰的职责分离:状态根服务拥有自己独立的表定义,与存储层解耦。
-
更好的可维护性:表结构变更可以独立进行,不会产生意外的级联影响。
-
更灵活的测试:可以使用专门的
root_storage_tests宏来测试这些新表。
实现细节
新的实现为状态根服务创建了专门的数据结构,这些结构:
- 保持与原有存储表类似的功能接口
- 明确针对Merkle树构建和验证优化
- 包含必要的元数据来支持高效的Merkle证明生成
例如,新的ContractsRawCode表将不再是存储层表的简单包装,而是专门为实现MerkleizedTableColumn特性而设计的独立结构。
对系统架构的影响
这一改进对Fuel Core系统架构产生了积极影响:
-
模块化程度提高:状态根服务成为一个更加独立的组件。
-
扩展性增强:为未来可能的状态证明优化提供了基础。
-
代码可读性改善:专用表定义使代码意图更加明确。
总结
Fuel Core项目中状态根服务从共享存储表到专用表定义的转变,体现了区块链系统设计中模块化和关注点分离的重要性。这种改进不仅解决了当前的技术债务,还为系统的未来发展奠定了更坚实的基础。通过定义专门的数据结构,项目获得了更好的灵活性、可维护性和可测试性,这些都是构建可靠区块链基础设施的关键因素。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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