Lighthouse v7.0.0-beta.2版本发布:Holesky测试网紧急修复方案
Lighthouse是区块链2.0客户端实现之一,由Sigma Prime团队开发,采用Rust语言编写。作为区块链共识层的重要客户端,Lighthouse以其高性能和稳定性在区块链生态系统中占据重要地位。
本次发布的v7.0.0-beta.2版本是针对Holesky测试网在2025年2月Electra升级失败后的第二个紧急修复版本。该版本主要解决了节点在非最终性状态下的内存使用问题,并优化了节点同步性能。需要注意的是,这个版本仅适用于Holesky测试网用户,主网、Sepolia或其他网络用户不应使用此版本。
核心改进
强制伪最终化功能
该版本引入了一个实验性功能,允许在Lighthouse数据库中强制"最终化"一个区块。这一功能使Lighthouse能够修剪低质量侧链、移除已最终化状态并回收磁盘空间。需要注意的是,这一功能在一般情况下并不安全,仅应在紧急情况下使用。
使用该功能需要提供纪元号(epoch)、区块根(block_root)和状态根(state_root)三个参数,这些参数必须来自纪元边界。跳过某些时隙是可以接受的,但状态根必须是纪元边界状态的状态根。
状态缓存优化
团队对旧状态如何与状态缓存交互进行了调整,消除了状态缓存未命中的几种情况,并修复了由BlocksByRange请求、侧链和对古老区块的证明引起的状态缓存不良交互问题。
这些优化都是自动进行的,用户无需采取任何操作即可受益。对于更高级的用户,可以尝试使用新标志--state-cache-headroom 8,该标志会在状态缓存填满时更积极地修剪状态缓存(移除8个状态)。
新增HTTP端点
新增了lighthouse/add_peer端点,允许用户将可信对等节点添加到对等节点数据库,并在节点优雅断开连接时每个心跳周期都尝试重新连接。这对于节点难以在规范链上找到对等节点的情况特别有用。可以与--disable-discovery标志一起使用,以限制节点拨打的连接数,加快同步到正确链的速度。
使用建议
该版本仅适用于Holesky测试网用户从v7.0.0-beta.0或v7.0.0-beta.1升级。与v7.0.0-beta.1相比,此版本没有破坏性变更。
对于不同类型的用户,升级优先级如下:
- 测试网质押用户:强烈建议升级信标节点和验证器客户端
- 测试网非质押用户:建议升级信标节点
- 主网用户:不应升级此版本
技术实现细节
在底层实现上,该版本包含多项重要改进:
-
数据库手动压缩端点:允许用户手动触发数据库压缩操作,这在强制伪最终化后特别有用,可以永久回收空间。
-
状态缓存处理优化:防止在数据库迁移时写入状态缓存,拆分区块根查找逻辑,重用子树以减少内存中的inactivity_scores占用。
-
区块范围请求处理优化:尽可能从分叉选择中加载区块根,减少存储访问。
-
状态缓存大小默认值调整为32,并增加了回溯日志记录功能,帮助调试状态缓存未命中情况。
-
针对Holesky救援场景优化了状态处理性能。
这些改进共同提升了节点在非最终性条件下的稳定性和性能,特别是在Holesky测试网当前的特殊情况下。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00