Plutus项目中的quotientInteger成本模型问题分析
概述
在Plutus项目的成本模型实现中,quotientInteger内置函数的成本计算方式存在一个值得注意的问题。该问题最初由项目贡献者发现并报告,经过深入讨论后被确认为实现细节上的理解偏差而非实际错误。
成本模型背景
Plutus执行引擎使用复杂的成本模型来评估智能合约执行的资源消耗。对于quotientInteger这样的内置函数,其成本计算采用了基于输入参数大小的二维模型,具体分为对角线以上和以下两种不同情况。
问题发现过程
在代码审查过程中,开发者注意到builtinCostModelC.json文件中将quotientInteger标记为"const_above_diagonal"(对角线以上为常数成本),而根据成本模型文档cost-model-overview.pdf的描述,理论上应为"const_below_diagonal"(对角线以下为常数成本)。
技术分析
经过深入讨论和技术验证,确认原始实现是正确的:
- 当计算如quotientInteger 123 456789时,结果为0,计算成本很低,对应小x和大y的情况(即对角线以上)
- 当计算如quotientInteger 456789 123时,需要更多计算工作,对应大x和小y的情况(即对角线以下)
这种设计反映了整数除法运算的实际计算复杂度特性:当被除数远小于除数时结果直接为0,计算简单;而当被除数远大于除数时需要执行完整的除法运算,计算成本较高。
实现验证
在第三方实现(OpShin/uplc)中最初出现了测试失败的情况,但最终发现是constAboveDiagonal实现中的bug所致,而非成本模型本身的问题。这一发现过程也提示了测试用例可以进一步优化,增加对角线以上情况的测试覆盖。
成本模型文件的作用
Plutus项目使用多个成本模型文件来支持不同版本:
- builtinCostModelA:用于Chang硬分叉前(协议版本<9)的PlutusV1/V2脚本
- builtinCostModelB:用于协议版本≥9的PlutusV1/V2脚本
- builtinCostModelC:专用于PlutusV3脚本(仅存在于协议版本≥9)
这些成本模型文件在编译时被读入并构建为BuiltinCostModel对象,嵌入到评估器代码中。实际链上执行时,本地成本模型仅作为模板,真正的成本参数由账本代码根据协议版本和账本语言版本提供。
总结与建议
这一案例展示了Plutus成本模型设计的复杂性,特别是对于涉及多参数的内置函数。对于开发者而言,理解成本模型的具体实现需要注意:
- 仔细区分对角线以上和以下的不同成本特性
- 充分测试各种边界情况
- 注意不同协议版本间的成本模型差异
未来Plutus团队计划简化这一机制,实现跨账本语言版本的统一成本模型,这将大大降低开发者的理解和使用门槛。
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