jsPsych项目canvas-keyboard-response插件2.1.0版本发布解析
jsPsych是一个用于构建行为实验的JavaScript库,它提供了一系列插件来帮助研究人员快速创建心理学、神经科学等领域的在线实验。其中canvas-keyboard-response插件允许实验设计者在Canvas画布上呈现刺激,并收集被试的键盘响应。
主要更新内容
本次发布的2.1.0版本主要引入了一个重要的学术功能改进:标准化引用系统。这一更新体现了jsPsych对学术规范和科学研究的重视。
新增引用功能
-
插件引用信息标准化:每个插件现在都包含标准化的引用信息,支持APA和BibTeX两种学术引用格式。
-
自动引用生成:插件在构建过程中会自动从其根目录下的.cff文件中提取引用信息,确保引用数据的准确性和一致性。
-
便捷引用获取:新增的getCitations()函数允许用户通过简单的调用获取指定插件的引用信息,格式化为可直接使用的引用字符串。
技术实现细节
引用系统架构
-
数据结构:每个插件现在在info字段中包含citations属性,存储了该插件的标准化引用信息。
-
引用生成函数:jsPsych核心包中新增的getCitations()函数接受两个参数:
- 插件/扩展名称数组
- 引用格式字符串("apa"或"bibtex")
-
输出格式:函数返回的字符串总是以jsPsych库本身的引用开头,随后是请求的插件引用,每个引用之间用换行符分隔。
构建流程改进
在构建过程中,系统会自动扫描每个插件目录下的.cff文件(Citation File Format),从中提取元数据并转换为标准化的引用信息,嵌入到最终的插件代码中。这一自动化流程确保了引用信息的准确性和维护的便捷性。
对研究实践的影响
这一更新为研究者带来了几个重要优势:
-
学术规范性:简化了在论文中正确引用实验工具的流程,符合学术伦理要求。
-
研究可重复性:明确的版本和引用信息有助于其他研究者准确复现实验条件。
-
工作效率提升:自动生成的引用格式减少了手动整理参考文献的时间消耗。
使用示例
研究者现在可以轻松获取实验所用插件的引用信息。例如,当使用canvas-keyboard-response插件进行视觉搜索实验时,只需调用getCitations()函数即可获得完整的引用信息,直接复制到论文的参考文献部分。
总结
jsPsych 2.1.0版本的canvas-keyboard-response插件通过引入标准化的引用系统,进一步提升了这一实验工具的学术严谨性和使用便利性。这一改进不仅体现了项目团队对学术规范的重视,也为研究者提供了更加完整的科研工具链。随着行为实验在线化的趋势不断增强,这样的细节改进将有助于提高网络心理学研究的整体质量。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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