np 项目技术文档
本文档旨在帮助用户了解和使用 np 项目,一个用于在 Simple Build Tool (sbt) 中快速创建新项目的简单工具。
1. 安装指南
sbt 0.12 或更低版本
全局安装
如果已经创建了 ~/.sbt 目录,在 ~/.sbt/plugins/build.sbt 文件中添加以下内容:
addSbtPlugin("me.lessis" % "np" % "0.2.0")
resolvers += Resolver.url("sbt-plugin-releases",
url("http://scalasbt.artifactoryonline.com/scalasbt/sbt-plugin-releases/"))(
Resolver.ivyStylePatterns)
或者,如果您更愿意,可以通过 git 仓库依赖项目。
import sbt._
object Plugins extends Build {
lazy val root = Project("root", file(".")) dependsOn(
uri("git://github.com/softprops/np.git#0.2.0")
)
}
确保明确地将 np 的设置混合到您的构建定义中。
seq(npSettings: _*)
在全局 .sbt 文件下(如 ~/.sbt/np.sbt)这样做将使 np 的设置对所有 sbt 项目可用。
局部安装
如果有一个 ~/project 目录,在 ~/project/build.sbt 文件中添加以下内容:
addSbtPlugin("me.lessis" % "np" % "0.2.0")
resolvers += Resolver.url("sbt-plugin-releases",
url("http://scalasbt.artifactoryonline.com/scalasbt/sbt-plugin-releases/"))(
Resolver.ivyStylePatterns)
sbt 0.13 及以上版本
如果没有,创建一个 ~/.sbt/0.13/plugins 目录。在其中,创建一个名为 np.sbt 的文件(文件名无关紧要),包含以下内容:
addSbtPlugin("me.lessis" % "np" % "0.2.0")
这将使 npSettings 在项目定义中全局可见。
如果您希望全局混合 npSettings,在 ~/.sbt/0.13 下创建一个名为 np.sbt 的文件,包含以下内容:
seq(npSettings: _*)
定制化
如果您有很多项目使用相同的 ivy 组织 ID(您自己的)或者总是以相同的版本约定开始项目(SNAPSHOT),您可能想要定义自己的全局覆盖。
在 sbt 0.12 中的 ~/.sbt/np.sbt 文件或在 sbt 0.13 中的 ~/.sbt/0.13/np.sbt 文件中添加以下内容:
seq(npSettings:_*)
(NpKeys.defaults in (Compile, NpKeys.np)) ~= {
_.copy(org="me.lessis", version="0.1.0-SNAPSHOT")
}
查看下文的 np 选项参考部分,了解所有可用选项。
2. 项目的使用说明
在 sbt 中使用以下命令来创建新项目:
sbt
np name:np
如果您已经有了一个项目并且想要创建一个子项目,也可以:
sbt
np name:my-sub-project dir:sub-project-dir
这将在相对于项目基本目录的 sub-project-dir 目录下创建一个新的 sbt 项目源树。在主构建配置中,您可以将其作为存根使用,并引用为:
lazy val sub = Project("my-sub-project", file("sub-project-dir"))
或者删除生成的存根 build.sbt,只使用生成的源树。
3. 项目API使用文档
np 命令生成 sbt 项目,给定 key:value 选项。以下是当前选项的列表:
org:项目组织。默认为 sbt 内置默认值。name:项目名称。默认为 sbt 内置默认值。version:项目版本。默认为 sbt 内置默认值。plugin:布尔指标,指示项目是否为插件项目。默认为 false。dir:np 应生成项目的目录路径。默认为 '.'。
4. 项目安装方式
请参考上文中的安装指南进行项目安装。
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