Bittensor v9.3.0版本发布:增强区块链网络功能与测试覆盖
Bittensor是一个开源的区块链协议,旨在构建去中心化的机器学习网络。该项目通过区块链技术连接全球的计算资源,使机器学习模型能够以去中心化的方式进行训练和推理。最新发布的v9.3.0版本带来了一系列重要的功能增强和稳定性改进,特别是在网络测试覆盖率和区块链操作功能方面有显著提升。
测试覆盖率与稳定性提升
本次更新中,开发团队显著增强了端到端(E2E)测试的覆盖范围。新增了多个测试用例,包括对等待周期(wait_epoch)和下一个节奏(next_tempo)功能的测试验证。这些改进确保了网络在各种条件下的稳定运行,特别是在处理区块链时间相关操作时的可靠性。
测试框架现在支持所有Python版本,并增加了Docker镜像自动更新机制。这意味着开发者可以在不同Python环境下运行测试,同时保持测试环境的时效性。测试容器管理逻辑也得到了优化,新增了停止现有测试容器的功能,避免了测试环境冲突。
区块链操作功能增强
v9.3.0版本引入了多项新的区块链操作方法:
-
新增了
set_children和get_pending_children方法,用于管理子账户关系。这些方法为网络中的账户层级管理提供了更灵活的工具。 -
增加了
get_owned_hotkeys方法及其异步版本,允许用户查询特定账户拥有的所有热键(hotkeys)。这一功能对于账户管理和监控特别有用。 -
改进了CRv3(共识规则版本3)的功能实现,提升了网络的共识机制效率和可靠性。
-
优化了Balance类的魔术方法逻辑,使得代币余额的数学运算更加准确和高效。
网络功能改进
在网络安全方面,本次更新添加了drand承诺机制,增强了网络的随机数生成安全性。同时,改进了区块更新间隔(blocks_since_last_update)的返回逻辑,确保网络状态监控的准确性。
针对子网管理,新增了process_weights_for_netuid功能,允许按子网ID处理权重数据。这一改进使得大规模网络中的权重管理更加高效。
兼容性与依赖管理
v9.3.0版本增加了对Python 3.13的兼容性检查,确保项目能够在新版本Python上正常运行。同时更新了多个依赖项,包括异步substrate接口的版本升级,提升了与底层区块链交互的效率和稳定性。
移除了对Levenshtein库的依赖,简化了项目的依赖关系,降低了安装和部署的复杂度。
总结
Bittensor v9.3.0版本通过增强测试覆盖率、改进区块链操作功能和优化网络性能,进一步提升了这个去中心化机器学习网络的稳定性和可用性。这些改进不仅为现有用户提供了更好的使用体验,也为未来功能的扩展奠定了坚实的基础。特别是新增的账户管理方法和子网权重处理功能,将为构建更复杂的去中心化机器学习应用提供更多可能性。
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