Core Lightning v25.05rc1版本深度解析:闪电网络节点实现的重要更新
项目简介
Core Lightning(原c-lightning)是闪电网络协议的一个高效实现,由Blockstream旗下的Elements Project团队开发维护。作为闪电网络生态中的核心组件之一,它提供了完整的节点功能实现,使开发者能够运行自己的闪电网络节点,参与网络路由和支付。
版本核心特性
性能优化与用户体验提升
本次发布的v25.05rc1候选版本在多个方面进行了显著优化。最值得注意的是交易确认环节的延迟降低,通过改进commit(提交)和revoke(撤销)消息的处理机制,使得通道状态更新更加迅速。这一改进直接影响到用户的支付体验,特别是在高频交易场景下。
对于使用reckless插件管理系统的用户,新版本增加了插件更新功能。通过简单的reckless update命令即可完成已有插件的升级,简化了节点维护流程。同时,路由算法针对高容量通道进行了特别优化,使得AskRene等特定支付场景能够更有效地利用网络资源。
在费用计算方面,新版本改进了锚点通道(anchor channels)的费用估算模型,使其更加精确。锚点通道是闪电网络中的一种特殊通道类型,允许参与者动态调整手续费,这一改进有助于用户更准确地预测交易成本。
开发者功能增强
API层面,listhtlcs命令新增了分页支持,开发者现在可以通过index、start和end参数控制返回结果的范围,这对于处理大量HTLC(哈希时间锁合约)的节点尤为重要。同时,waitAPI扩展了对listhtlcs子系统的支持,使得开发者能够更灵活地监控HTLC状态变化。
新引入的signmessagewithkeyRPC方法允许直接使用钱包中的密钥对消息进行签名,为开发者提供了更底层的密码学操作接口。sendonion命令的改进使其参数与sendpay保持一致,新增的total_amount_msat参数使得两种支付方式可以更无缝地切换使用。
协议层重要更新
Peer Storage功能从实验状态升级为默认功能,这是本次版本最重要的协议变更之一。Peer Storage通过优化数据存储方式,不仅提高了节点性能,还增强了稳定性。这一功能在之前的实验阶段已经显示出显著优势,现在正式成为标准配置。
在通道管理方面,新版本实现了与Eclair节点的拼接(splicing)互操作性,并支持拼接交易的RBF(费用替换)功能。拼接技术允许在不关闭原有通道的情况下调整通道容量,RBF支持则让用户在网络拥堵时可以灵活调整手续费,这些改进大大提升了通道管理的灵活性。
技术实现亮点
LSPS(Lightning Service Provider Protocol)客户端和服务端插件的初步实现是本版本的另一个技术亮点。目前已经完成了LSPS0传输协议的实现,为未来更丰富的服务提供商生态奠定了基础。LSPS协议旨在标准化闪电网络服务提供商的接口,使节点能够以统一的方式访问各类增值服务。
在底层架构上,团队继续优化了BOLT协议规范的实现细节,特别是针对各种边界条件的处理更加健壮。这些改进虽然对终端用户不可见,但对于网络的整体稳定性和安全性至关重要。
总结与展望
Core Lightning v25.05rc1候选版本在性能、用户体验和协议支持等方面都带来了实质性提升。从降低核心消息延迟到完善开发者工具,再到推进LSPS生态系统建设,这个版本体现了项目团队对闪电网络基础设施持续改进的承诺。
随着Peer Storage成为默认功能以及拼接技术的成熟,Core Lightning在节点效率和通道管理灵活性方面已经处于行业领先地位。未来随着LSPS相关功能的进一步完善,我们可以期待一个更加开放和可扩展的闪电网络服务生态系统。
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