WalletConnect/web3modal 1.6.5版本发布:多链钱包连接的重大升级
WalletConnect/web3modal是一个流行的Web3钱包连接解决方案,它简化了DApp与各种区块链钱包的集成过程。通过提供一个标准化的连接界面,开发者可以轻松实现用户钱包连接功能,而无需关心不同钱包提供商的具体实现细节。
核心功能改进
多链钱包连接优化
1.6.5版本在多链支持方面做出了重要改进。现在系统能够更智能地处理不同区块链网络间的切换,特别是当用户尝试使用认证连接器但当前活跃网络不被支持时,系统会自动切换到兼容的网络。这一改进显著提升了跨链DApp的用户体验。
钱包连接状态管理
新版本重构了钱包连接器的管理逻辑,特别是在添加或移除电子邮件/社交登录适配器时。这种改进使得连接器渲染更加可靠,减少了UI状态不一致的情况。同时,系统现在能够正确处理钱包连接事件中的链变更,特别是当目标链不被支持时的错误处理更加完善。
用户体验提升
移动端适配
针对移动端用户,1.6.5版本修复了多个显示问题。现在移动视图会正确显示可用的认证登录选项,而不会在没有适配器的情况下错误展示登录界面。此外,当没有适配器时打开模态框,系统会显示标准的WalletConnect连接界面,而不是空白或错误页面。
余额获取优化
新版本改进了原生代币余额的获取逻辑,特别是在测试网络上的处理。系统现在能够更可靠地获取测试网上的余额信息,即使某些API不支持特定网络的余额查询,系统也会有备用方案来确保用户能看到他们的资产情况。
开发者体验改进
模态框视图扩展
开发者现在可以通过API直接打开更多预设的模态框视图,包括:
- 交换视图(Swap)
- 发送视图(Send)
- "什么是钱包"教育页面
- "什么是网络"教育页面
- "所有钱包"列表页面
这一扩展使得开发者能够更灵活地控制用户流程,提供更完整的钱包交互体验。
钱包按钮组件
新增的createAppKitWalletButton函数简化了钱包按钮功能的实现。开发者现在可以更方便地创建和管理钱包连接按钮,而无需深入理解底层hooks的实现细节。这个改进特别适合需要快速集成钱包功能的项目。
技术架构优化
连接器管理重构
1.6.5版本对WalletConnect连接器进行了重大重构,将其提取为可扩展的类,并移除了适配器中的重复代码。这种架构上的改进使得代码更易于维护,同时也为未来添加新的连接器类型打下了更好的基础。
状态同步改进
系统现在能够更好地处理动态启用/禁用认证选项时的状态同步问题。特别是对ChainController.state.noAdapters和OptionsController.state.features的监听更加可靠,确保了UI与底层状态的一致性。
错误修复与稳定性提升
1.6.5版本包含了多项错误修复,包括:
- 修复了wagmi适配器中连接器不显示的问题
- 解决了多链社交/电子邮件登录不工作的问题
- 修正了当用户未连接时wagmi适配器错误触发断开连接事件的问题
- 修复了1CA会话因地址大小写不匹配而找不到的问题
这些修复显著提高了系统的稳定性和可靠性,为用户提供了更流畅的钱包连接体验。
总结
WalletConnect/web3modal 1.6.5版本在多链支持、用户体验和开发者体验方面都做出了重要改进。通过优化钱包连接逻辑、扩展模态框功能和完善错误处理,这个版本进一步巩固了其作为Web3钱包连接标准解决方案的地位。对于正在寻找可靠钱包连接方案的DApp开发者来说,这个版本值得考虑升级。
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