Quiet移动端5.0.0版本发布:身份认证系统重大升级
Quiet是一个专注于隐私保护的即时通讯应用,采用去中心化架构设计,通过Tor网络实现匿名通信。该项目致力于构建一个真正私密、无需中间服务器的通讯解决方案。
本次发布的5.0.0版本带来了身份认证系统的重大架构调整,这是Quiet项目发展历程中的重要里程碑。开发团队将原有的账户系统完全迁移至local-first-web/auth框架,这一改变虽然需要用户创建新的社区,但为后续功能开发奠定了坚实基础。
核心变更:身份认证系统重构
5.0.0版本最显著的变更是彻底重构了身份认证系统。新系统基于local-first-web/auth框架构建,这一框架专为本地优先的Web应用设计,具有以下技术优势:
- 去中心化身份管理:每个用户的身份凭证完全由本地设备掌控,不依赖任何中心化服务器
- 增强的加密机制:采用更先进的加密算法保护用户凭证和通信内容
- 未来功能支持:为私信、私有频道等即将推出的功能提供底层支持
需要注意的是,由于架构变更较大,现有用户需要创建新的社区才能继续使用。虽然这带来了一些迁移成本,但从长远看,这种架构调整将为用户带来更安全、更丰富的功能体验。
性能优化:Tor初始化流程改进
另一个重要改进是优化了Tor网络的初始化流程。在之前的版本中,用户需要等待Tor完全初始化后才能开始使用应用,这常常导致较长的启动等待时间。
新版本实现了以下优化:
- 并行初始化:应用界面和Tor网络初始化过程现在可以并行进行
- 渐进式功能启用:基础功能在Tor完全初始化前即可使用,网络相关功能则会在后台准备就绪后自动启用
- 更流畅的用户体验:用户不再需要面对长时间的空白等待界面
这项改进显著提升了用户体验,特别是对于网络条件较差的用户而言,启动时间可以缩短50%以上。
技术实现细节
从技术架构角度看,5.0.0版本主要涉及以下层面的修改:
- 身份认证层:完全重写了身份认证模块,采用Web Crypto API实现端到端加密
- 数据存储层:调整了本地存储结构以适配新的身份系统
- 网络层:优化了Tor网络连接的生命周期管理
- UI层:改进了启动流程的交互设计
这些变更使得Quiet在保持原有隐私保护特性的同时,获得了更好的性能和可扩展性。特别是新的身份系统为后续开发私密消息功能扫清了技术障碍。
升级建议
对于现有用户,建议在升级前做好以下准备:
- 备份重要通讯记录(目前版本尚不支持自动迁移)
- 预留足够时间创建新社区并重新邀请成员
- 告知社区成员共同升级以保持通讯连续性
开发团队表示,虽然此次升级需要一些手动操作,但这是通向更完善隐私保护功能的必经之路。未来的版本将在此基础上实现更多用户期待的功能,如端到端加密的私密聊天、选择性同步等特性。
总的来说,Quiet 5.0.0版本代表了这个隐私优先通讯项目技术路线上的重要转折点,为用户带来了更现代化的身份管理架构和更流畅的使用体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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