Namada项目发布libs-v0.149.0版本:共识与重大变更解析
Namada是一个专注于隐私保护的区块链项目,其核心特点是支持多资产屏蔽池(MASP)技术,为用户提供跨资产的隐私交易功能。该项目近期发布了libs-v0.149.0版本,这是一个包含共识层变更和重大API变更的重要版本更新。
版本概述
libs-v0.149.0版本是一个共识层重大变更版本,同时也是API不兼容的版本。根据Namada项目的版本控制规范,版本号中的主版本号增加了100表示共识层变更,增加了1表示API变更。这种版本号设计能够清晰地传达变更的性质和影响范围。
核心改进与功能增强
隐私交易与MASP改进
本次版本对多资产屏蔽池(MASP)进行了多项优化。首先,解决了未注明日期资产的不可领取屏蔽奖励的铸造问题,确保奖励系统的公平性。其次,改进了MASP中NAM代币铸造数量的计算精度,使系统更加精确。此外,版本还引入了按顺序生成屏蔽支付地址的机制,取代了原有的随机生成方式,提高了系统的可预测性和安全性。
在奖励机制方面,新版本允许通过社区决策显式设置屏蔽奖励的精度,并支持在未来MASP周期应用转换和精度迁移。特别值得注意的是,现在可以设置当前原生代币的屏蔽奖励精度,并安排基础原生代币精度的变更计划。
治理与决策功能
新版本增强了治理功能,添加了node utils dry-run-proposal命令,允许用户在提交前测试治理决策代码。此外,治理决策现在可以修改任何屏蔽代币的存储键值对,为系统治理提供了更大的灵活性。
交易处理与事件系统
交易处理系统得到了多项改进。现在,Wasm事件中包含了内部和包装交易的哈希值,提高了交易的可追溯性。事件处理机制也进行了优化,不再在tx/applied事件中重复发出事件,减少了冗余信息。对于批量交易,内部交易结果的顺序现在会被保留在事件中,确保结果的准确性。
技术优化与底层改进
在底层技术方面,版本更新了rust-rocksdb依赖至v0.23,该版本使用了RocksDB(C++)9.9.3,提升了数据库性能和稳定性。Rust工具链也更新至1.85.1版本,并明确了最低支持的Rust版本要求,确保开发环境的兼容性。
ABCI接口得到了增强,现在Info查询响应中包含了应用和库的版本字符串以及共识版本信息。这些信息可以通过Rust代码中的consensus_version函数获取,为节点管理和监控提供了更多有用信息。
测试与验证
新版本加强了测试覆盖范围,特别是针对MASP硬件钱包的自动化测试。测试验证了屏蔽余额的自动复利与手动复利的等价性,确保奖励系统的正确性。此外,还修复了与硬件钱包相关的集成测试,确保系统在各种环境下的稳定性。
总结
Namada libs-v0.149.0版本通过一系列共识层变更和功能改进,显著提升了系统的隐私保护能力、治理灵活性和整体稳定性。特别是对MASP系统的多项优化,使得屏蔽交易和奖励机制更加精确和可靠。这些改进为Namada生态的进一步发展奠定了坚实的技术基础,同时也为开发者提供了更强大的工具和更稳定的运行环境。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0185
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08