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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00