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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00