Simple Taiko Node v1.17.2版本发布:基于预确认机制的Hekla测试网升级
Simple Taiko Node是一个轻量级的Taiko节点实现,旨在简化Taiko协议节点的部署和运行。Taiko协议是一个基于区块链的二层扩容解决方案,采用zkRollup技术实现高性能和低成本交易。本次发布的v1.17.2版本是针对Hekla测试网的重要预发布版本,主要引入了基于预确认机制(Based Preconfirmations)的核心功能升级。
基于预确认机制的重大升级
v1.17.2版本标志着Taiko协议向基于预确认机制过渡的重要一步。基于预确认是Taiko协议中的一项创新功能,它允许在区块最终确认之前提供快速的预确认服务,从而显著改善用户体验。在当前阶段,这项功能处于白名单限制的第一阶段,这意味着只有经过授权的参与者才能参与区块提议和证明过程。
对于社区用户而言,特别需要注意的是,在此版本中普通用户将无法进行区块提议和证明操作。社区成员如果运行了提议者或证明者节点,建议暂时禁用这些功能以避免不必要的资金损失。这种限制是协议升级过程中的临时措施,随着功能逐步完善,未来将向更广泛的参与者开放。
关键组件版本要求
为了确保系统稳定运行,本次升级对各个核心组件提出了明确的版本要求:
- Taiko Geth需要升级至v1.16.0版本,这是支持新预确认功能的基础层实现
- Taiko Client需更新至v1.6.2版本,包含了对新协议特性的客户端支持
- Simple Taiko Node本身需要升级到v1.17.2版本
- Raiko证明系统需要v1.9.0-rc.1版本,这是支持新证明机制的关键组件
命令行参数变更详解
驱动程序参数变更
本次升级对驱动程序参数进行了多项调整,以更好地支持预确认功能:
-
端点参数重命名:
--taikoL1和--taikoL2参数分别更名为--taikoInbox和--taikoAnchor,虽然功能保持不变,但命名更加准确反映了其实际作用。 -
新增预确认相关参数:
--preconfirmation.serverPort:配置预确认区块服务器的HTTP端口,设置为0表示禁用此功能--preconfirmation.jwtSecret:指定用于预确认区块服务器的JWT密钥文件路径--preconfirmation.corsOrigins:配置预确认服务器的CORS来源设置,默认允许所有来源--preconfirmation.whitelist:指定预确认白名单合约的L1地址--preconfirmation.handoverSkipSlots:配置epoch结束时的交接边界槽位数,默认为4
提议者参数变更
在提议者配置方面,移除了两个已弃用的参数:
--txPool.locals和--txPool.localsOnly参数被移除,不再支持优先包含账户列表功能
证明者参数变更
证明者配置方面进行了较大调整,反映了协议架构的变化:
-
参数重命名:
--prover.startingBlockID更名为--prover.startingBatchID,更准确地反映了其功能。 -
新增功能参数:
--prover.localProposerAddresses:可配置本地提议者地址列表,证明者将为这些地址提出的批次优先生成证明
-
移除的废弃参数:
- 移除了与涂鸦信息、竞争证明模式相关的多个参数
- 移除了与守护者证明者相关的健康检查、提交延迟等参数
- 移除了活跃性证明、节点版本检查等不再需要的功能参数
技术实现细节
在Docker部署方面,v1.17.2版本更新了相关镜像,并清理了遗留的提议者配置文件,使部署更加简洁高效。这些变更反映了Taiko协议向更加模块化和专业化的方向发展,同时也为基于预确认机制的未来扩展奠定了坚实基础。
本次升级虽然带来了诸多变化,但整体架构保持了良好的向后兼容性。对于运行Taiko节点的用户而言,升级过程相对平滑,主要需要关注新参数的配置和旧参数的替换。随着基于预确认机制的逐步完善,Taiko协议将能够提供更快速、更可靠的二层扩容解决方案,为去中心化应用提供更好的基础设施支持。
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-1.5暂无简介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