Scaffold-ETH 2 项目网络配置升级指南:从Mumbai到Amoy的迁移
在区块链开发中,测试网络的选择和配置是项目基础设施的重要组成部分。本文将详细介绍Scaffold-ETH 2项目中网络配置的重要更新,帮助开发者理解这些变更的技术背景和实际意义。
网络配置变更概述
Scaffold-ETH 2项目近期对其Hardhat网络配置进行了重要更新,主要涉及三个方面:
- 将Polygon Mumbai测试网替换为Polygon Amoy测试网
- 移除了已停用的Public Goods Network(PGN)及其测试网
- 将Polygon zkEVM测试网升级至Cardona版本
这些变更反映了区块链测试网络生态系统的持续演进,开发者需要及时跟进这些变化以确保项目的持续可测试性。
变更技术细节
Polygon测试网升级
Polygon Mumbai作为长期使用的测试网已被官方标记为弃用状态,其替代者Polygon Amoy采用了更新的技术架构。在Hardhat配置中,这一变更体现在RPC端点的更新:
// 旧配置(Mumbai)
url: `https://polygon-mumbai.g.alchemy.com/v2/${providerApiKey}`
// 新配置(Amoy)
url: `https://polygon-amoy.g.alchemy.com/v2/${providerApiKey}`
PGN网络移除
Public Goods Network(PGN)及其测试网已正式停止服务,因此相关配置已从项目中完全移除。这包括删除hardhat.config.ts文件中对应的网络定义。
zkEVM测试网升级
Polygon的zkEVM测试网已升级至Cardona版本,新的配置如下:
polygonZkEvmCardona: {
url: `https://polygonzkevm-cardona.g.alchemy.com/v2/${providerApiKey}`,
accounts: [deployerKey],
}
变更背后的技术考量
这些网络配置变更反映了区块链基础设施的几个重要趋势:
-
测试网的定期轮换:主流区块链平台逐渐采用定期更换测试网的策略,这有助于保持网络性能并鼓励开发者定期更新其基础设施。
-
ZK技术普及:Polygon zkEVM测试网的持续演进表明零知识证明技术在Layer 2解决方案中的应用日益成熟。
-
基础设施整合:PGN等专用网络的停用反映了行业向更标准化、更通用的基础设施方向发展的趋势。
开发者迁移建议
对于使用Scaffold-ETH 2的开发者,建议采取以下步骤完成网络配置迁移:
- 更新项目依赖至最新版本
- 修改环境变量中的测试网RPC URL
- 获取新的测试网代币(Amoy MATIC等)
- 重新部署测试合约并验证功能
- 更新CI/CD流程中的网络配置
常见问题处理
在迁移过程中,开发者可能会遇到以下问题:
- 连接超时错误:通常表明尝试访问已停用的测试网端点
- 链ID不匹配:新测试网可能使用不同的链ID,需要更新前端配置
- 交易失败:可能由于新测试网采用不同的gas定价机制
这些问题通常可以通过检查网络配置和更新相关参数来解决。
总结
Scaffold-ETH 2项目的网络配置更新反映了区块链测试基础设施的最新发展。及时跟进这些变更不仅能确保开发环境的稳定性,还能让开发者尽早体验新技术特性。建议开发者定期检查项目网络配置,保持与主流测试网络的同步。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00