Wormhole跨链协议v2.35.0版本发布:支持HyperEVM主网实验性集成
项目背景与技术定位
Wormhole作为领先的跨链消息传递协议,在区块链互操作性领域扮演着关键角色。其核心架构通过去中心化的守护者网络实现不同区块链间的安全通信,支持资产跨链转移、智能合约调用等关键功能。本次发布的v2.35.0版本在原有功能基础上进行了重要扩展,特别是引入了对HyperEVM主网的支持。
核心更新:HyperEVM主网实验性集成
HyperEVM技术特性
HyperEVM是Hyperliquid生态系统的关键组件,作为EVM兼容链运行,但针对特定应用场景进行了优化。本次集成使Wormhole协议能够支持HyperEVM上的跨链操作,开发者现在可以通过Wormhole网络实现HyperEVM与其他支持链之间的资产和信息转移。
配置参数说明
要启用HyperEVM支持,节点运营者需要在配置中添加以下参数:
- hyperEvmRPC:指定HyperEVM节点的WebSocket连接URL
- hyperEvmContract:设置HyperEVM上的核心合约地址(0x7C0faFc4384551f063e05aee704ab943b8B53aB3)
实验性状态说明
值得注意的是,当前HyperEVM节点尚未开源,这与Wormhole项目传统上要求所有组件开源的原则存在差异。因此开发团队特别标注此集成处于"实验性"状态,这意味着:
- 功能稳定性可能不如其他成熟集成
- 未来可能根据社区反馈进行调整
- 生产环境使用需谨慎评估
其他重要改进
治理代币列表更新
本次版本对治理系统中的代币列表进行了更新,确保跨链治理操作的准确性和安全性。这一常规维护工作有助于保持系统对各种代币标准的兼容性。
调试工具优化
开发团队移除了Go-Spew依赖库,并新增了专门用于VAA(可验证行动批准)调试的功能函数。这一改进使得:
- 调试输出更加结构化
- 减少了不必要的依赖
- 提升了核心组件的运行效率
技术实现细节
跨链消息验证增强
新版本对VAA的验证机制进行了优化,特别是在处理HyperEVM特有的数据结构时,确保了消息验证的严格性和一致性。这种增强对于维护跨链安全性至关重要。
合约地址标准化
所有支持的链都采用了标准化的合约地址管理方式,HyperEVM的集成也遵循这一原则,使得多链环境下的地址管理更加统一和可靠。
开发者注意事项
对于计划使用HyperEVM跨链功能的开发者,建议:
- 充分测试实验性功能
- 监控官方更新以获取稳定性改进
- 考虑备用方案以防实验性功能调整
- 关注HyperEVM开源进展
总结展望
Wormhole v2.35.0版本通过引入HyperEVM支持,进一步扩展了其多链互操作能力。虽然目前以实验性状态提供,但这为Hyperliquid生态系统与其他区块链的互联开辟了新途径。随着技术成熟和社区反馈,预计未来版本将逐步提升该集成的稳定性和功能性,持续推动跨链互操作领域的发展。
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