Lodestar v1.28.0 版本发布:区块链共识客户端的重要更新
Lodestar 是区块链生态系统中的一个重要共识客户端实现,由 ChainSafe 团队开发维护。作为区块链 2.0 信标链的客户端之一,Lodestar 使用 TypeScript 编写,为开发者提供了在 JavaScript/TypeScript 环境中运行区块链共识层的能力。
核心功能更新
本次发布的 v1.28.0 版本带来了多项重要改进,特别是在网络支持和状态管理方面:
-
新增 Hoodi 测试网支持:开发团队添加了对新公共测试网 Hoodi 的支持,使开发者能够在更接近主网的环境中测试应用。Hoodi 测试网使用与主网相同的 MIN_GENESIS_ACTIVE_VALIDATOR_COUNT 参数,确保测试环境的一致性。
-
无效状态根本地持久化:这是一个重要的调试功能增强。当客户端检测到无效的状态根时,会自动将相关状态和区块数据持久化存储在本地
<dataDir>/invalidSszObjects/目录下。这一功能极大地方便了开发者诊断和解决共识问题。 -
Electra 硬分叉支持:为即将到来的 Electra 硬分叉做好了准备,包括区块奖励计算的更新以及在 Chiado 测试网上调度 Electra 分叉的支持。
性能优化与改进
-
本地计算优化:使用原生计算 proposer 和同步委员会,减少了对外部依赖的调用,提高了性能。
-
延迟加载待处理存款:优化了内存使用,只在需要时才加载待处理的存款数据,降低了内存占用。
-
操作池改进:操作池现在能够更灵活地处理延迟到达的 API 认证,并单独跟踪 API 认证的插入结果,提高了系统的健壮性。
错误修复与稳定性增强
-
状态管理修复:修复了多个与状态管理相关的问题,包括处理过去时期的状态、检查点状态的修剪以及种子状态重载等。
-
认证验证修复:修正了在验证 gossip 认证时使用正确子网的问题,确保网络通信的安全性和正确性。
-
执行请求验证:现在会拒绝包含空数据的执行请求,防止潜在的安全问题。
-
类型检查强化:升级到 TypeScript 5.7,增强了类型安全性,减少了运行时错误的可能性。
开发者工具与测试改进
-
开发环境 Docker 支持:新增了 Dockerfile.dev,简化了开发环境的搭建过程。
-
测试覆盖率提升:增加了对 Electra 特定功能的单元测试,如 getAttestationsForBlockElectra 的测试用例。
-
日志增强:为关键操作添加了更详细的日志记录,特别是对于状态重载和认证处理过程,便于问题追踪。
总结
Lodestar v1.28.0 是一个功能丰富且稳定的版本,不仅为即将到来的 Electra 硬分叉做好了准备,还通过多项性能优化和错误修复提升了客户端的可靠性和效率。新增的 Hoodi 测试网支持和无效状态持久化功能将显著改善开发者的体验。对于运行区块链共识节点的用户来说,升级到这个版本是推荐的选择。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0123
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07