Polkadot-js Apps 中的 Staking Next 集成与改进
概述
Polkadot-js Apps 项目正在进行 Staking 模块的重大升级,目标是创建一个名为"Staking Next Command Center"的全新功能集。这项工作不仅涉及现有 Staking 页面的修复,还包括引入一系列新的监控仪表板,以提升用户体验和治理能力。
技术背景
Staking 是 Polkadot 生态系统的核心功能之一,它允许用户通过质押代币参与网络共识并获得奖励。随着网络发展和技术演进,现有的 Staking 界面在功能和信息展示方面已经显现出一些局限性。
主要改进方向
1. 现有 Staking 页面的修复
当前 Staking 页面存在几个关键问题需要解决:
-
曝光数据分页处理不完善:当前页面没有正确处理验证人曝光数据的分页,导致统计信息不准确。正确的实现应该遍历所有分页数据来汇总每个活跃验证人的支持者总数。
-
数据展示不一致:部分统计指标的计算方式与后端实际数据存在偏差,需要统一处理逻辑。
2. Staking Next Command Center 功能
新功能将提供更全面的质押监控和管理能力:
-
增强的验证人信息展示:包括详细的质押分布、奖励历史等关键指标。
-
治理辅助工具:为理事会成员提供更直观的网络状态监控,便于做出治理决策。
-
多链支持:特别针对平行链(如 Asset Hub)的质押功能提供专门界面。
技术实现要点
开发过程中遇到并解决了几个关键技术问题:
-
本地节点运行问题:初期在本地运行节点时遇到编译错误,经过调试后成功解决。这为后续开发测试奠定了基础。
-
API 层修复:虽然 API 层已经做了大量修复工作,但在界面展示层仍有一些细节需要调整,确保数据展示的准确性。
-
代码迁移:相关开发工作已经从初始分支迁移到主分支,确保了代码的稳定性和可维护性。
当前进展
-
所有重命名工作已在 Westend 测试网和 Westend Asset Hub 上完成部署。
-
基础功能已在 apps 代码库中实现,等待进一步审查和优化。
未来展望
Staking Next Command Center 的引入将为 Polkadot 生态系统带来更强大的质押管理能力。它不仅改善了普通用户的质押体验,还为网络治理者提供了更全面的数据支持。随着功能的不断完善,这将显著提升 Polkadot 网络的去中心化程度和治理效率。
开发团队将继续优化这一功能,确保其稳定性,并为即将到来的网络升级做好准备。
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