Namada项目v0.47.1版本发布:隐私保护与性能优化
项目简介
Namada是一个专注于隐私保护的区块链项目,它采用了先进的零知识证明技术来保护用户交易隐私。该项目通过多资产屏蔽池(MASP)机制,允许用户在不泄露交易细节的情况下进行各种资产转移。Namada不仅支持原生代币的隐私交易,还兼容其他区块链资产的隐私保护功能。
核心改进
1. MASP余额估算修复
本次版本修复了一个关键问题——之前版本中对多资产屏蔽池(MASP)余额的估算存在低估现象。这个问题可能影响用户在隐私交易中对可用余额的判断,修复后确保了余额计算的准确性,提升了用户体验。
2. 硬件钱包交易费用显示优化
为了增强安全性,新版本要求硬件钱包在正常模式下必须显示交易费用。这一改进防止了用户在不知情的情况下确认高额费用的交易,提高了硬件钱包使用的安全性。
3. 质押奖励机制改进
在质押奖励方面,v0.47.1版本做了多项优化:
- 现在当用户领取质押奖励时,系统会发出带有"pos-claim-rewards"描述符的令牌转移事件,使奖励领取过程更加透明可追踪
- 将原生代币和非原生代币的奖励分配逻辑分离,使系统更加模块化
- 改进了原生代币屏蔽奖励的准确性
4. 查询功能增强
新版本简化并优化了余额查询功能:
- 移除了查询历史epoch余额的功能,简化了接口设计
- 针对非原生代币的屏蔽余额查询进行了性能优化
- 新增了在指定epoch查询PoS奖励的功能,为开发者提供了更多灵活性
技术升级
1. IBC协议升级
项目将ibc-rs升级到了v0.57.0版本,这带来了跨链通信协议的改进和潜在的性能提升。
2. CometBFT版本更新
推荐使用的CometBFT版本升级到了v0.37.15,这一共识引擎的更新可能包含安全性修复和性能改进。
3. 密钥派生路径调整
修改了ZIP32派生路径的默认值,新的路径为"m/44'/877'/0'/0'/2147483647'",这一变更增强了密钥管理的安全性。
开发工具与测试改进
1. CI/CD流程优化
持续集成流程中增加了对libudev-dev的自动安装,确保测试环境的一致性,特别是针对硬件钱包应用测试的部分。
2. 多重签名测试增强
新增了多重签名验证的测试用例,提高了这一重要安全功能的测试覆盖率,确保其可靠性。
总结
Namada v0.47.1版本虽然是一个小版本更新,但在隐私保护、安全性和性能方面都做出了重要改进。特别是对MASP余额计算的修复和硬件钱包安全性的增强,直接提升了用户的使用体验和资产安全性。同时,查询功能的优化和奖励机制的改进也为开发者和普通用户带来了更多便利。这些改进共同推动了Namada作为隐私保护区块链平台的成熟度和可靠性。
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