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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00