Sourcify项目发布v3.1.0版本:强化智能合约验证功能
Sourcify是一个开源的智能合约验证服务,它允许开发者将Solidity智能合约的源代码与部署在区块链上的合约进行匹配验证。这项服务对于构建透明、可信的区块链生态系统至关重要,因为它确保了部署的合约确实是由公开的源代码编译而来。
主要更新内容
API v2验证端点正式推出
本次3.1.0版本最显著的改进是引入了全新的API v2验证端点。这些新端点包括:
- 基础验证端点:
POST /v2/verify/{chainId}/{address} - 元数据验证端点:
POST /v2/verify/metadata/{chainId}/{address} - Etherscan兼容验证端点:
POST /v2/verify/etherscan/{chainId}/{address}
这些新端点不仅提供了更清晰的API设计,还带来了性能优化和更好的错误处理机制。值得注意的是,随着v2的推出,API v1已被标记为弃用状态,开发者应尽快迁移到新版本。
配置灵活性增强
新版本在配置方面做了显著改进:
-
libSourcify配置选项:现在可以更灵活地配置底层验证库libSourcify的行为,满足不同部署环境的需求。
-
Piscina工作线程配置:针对v2验证引入了基于Piscina的工作线程池配置选项,允许调整并发处理能力,优化资源利用率。
区块链网络支持扩展
Sourcify 3.1.0新增了对多个区块链网络的支持:
- Superseed主网(链ID: 5330)
- Corn主网(链ID: 21000000)
- Etherlink主网(链ID: 42793)
- Etherlink测试网(链ID: 128123)
这种持续的网络支持扩展确保了Sourcify能够服务于更广泛的区块链生态系统。
技术改进与问题修复
稳定性提升
-
容器信号处理优化:修复了服务器容器对SIGTERM信号的处理问题,使容器能够更优雅地关闭,避免数据损坏。
-
错误处理增强:当找不到metadata.json文件时,现在会正确触发错误处理流程,而不是静默失败。
开发体验优化
-
本地开发支持:新增了docker compose配置文件,简化了本地开发环境的搭建过程。
-
日志系统改进:整体日志系统得到增强,提供了更详细的运行时信息,便于问题诊断。
-
依赖更新:项目依赖库已更新至最新稳定版本,确保安全性和兼容性。
技术实现细节
在底层实现上,3.1.0版本引入了一些值得注意的技术决策:
-
Piscina工作线程池:通过使用Piscina这个Node.js的工作线程池库,v2验证端点能够更高效地处理并发请求,特别是在CPU密集型的验证操作上。
-
跨链事务处理:实现了fetchContractCreationTxUsing方法的跨链兼容性,确保在不同区块链网络上都能正确获取合约创建交易。
-
配置解耦:将核心验证逻辑(libSourcify)的配置与服务器配置分离,提高了模块化程度。
升级建议
对于现有用户,建议:
-
尽快测试并迁移到新的v2 API端点,因为v1 API已被标记为弃用。
-
在升级前,检查新增的配置选项,特别是Piscina工作线程相关的设置,根据服务器资源情况调整参数。
-
利用新的docker compose配置简化本地测试环境的搭建,确保升级过程顺利。
对于新用户,3.1.0版本提供了更完善的文档和更简单的本地开发支持,是开始使用Sourcify服务的好时机。
Sourcify 3.1.0通过API改进、配置灵活性和网络支持扩展,进一步巩固了其作为开源智能合约验证解决方案的地位。这些改进不仅提升了服务的可靠性和可用性,也为未来的功能扩展奠定了坚实基础。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00