jsPsych扩展插件@jspsych/extension-record-video 1.2.0版本发布解析
项目简介
jsPsych是一个基于JavaScript的开源心理学实验框架,它允许研究人员和开发者在网页浏览器中创建复杂的心理学实验。该框架提供了丰富的插件系统,其中@jspsych/extension-record-video是一个用于录制视频的扩展插件,特别适合需要记录参与者面部表情或屏幕操作的心理学实验场景。
1.2.0版本核心更新
本次1.2.0版本的主要改进集中在学术引用功能的增强上,具体体现在以下几个方面:
-
标准化引用系统:为所有插件和扩展添加了标准化的引用属性,支持APA和BibTeX两种主流引用格式。
-
动态引用生成:新增了getCitations()函数,允许用户通过传入插件/扩展名称数组和引用格式字符串,动态生成规范的学术引用。
-
自动化引用管理:构建过程中会自动从插件的.cff文件中提取引用信息,简化了维护工作流程。
技术实现细节
引用属性集成
每个插件和扩展现在都包含一个citations字段,该字段在构建时自动填充。这个设计使得引用信息成为插件元数据的一部分,与插件代码紧密集成。
引用生成函数
新引入的getCitations()函数具有以下特点:
- 总是首先输出jsPsych核心库的引用
- 支持批量处理多个插件/扩展的引用
- 输出格式为字符串,各引用间用换行符分隔
- 目前支持APA和BibTeX两种格式
构建流程改进
构建系统现在会自动扫描插件目录下的.cff文件(Citation File Format),从中提取必要的引用信息并转换为标准化的内部表示。这种设计确保了引用信息的准确性和一致性。
实际应用价值
这一更新对心理学研究者具有重要价值:
-
学术合规性:使实验程序能够自动生成符合学术规范的引用,满足出版要求。
-
研究可重复性:标准化的引用格式有助于其他研究者准确识别和复现实验中使用的方法工具。
-
工作效率提升:自动化引用生成减少了研究者在撰写方法部分时的手动工作。
开发者建议
对于基于jsPsych进行开发的科研人员:
-
更新到最新版本后,可以使用getCitations()函数方便地在实验介绍部分展示所用工具的引用信息。
-
对于自定义插件开发,建议在插件目录中添加.cff文件以确保引用信息能被正确识别。
-
在撰写研究论文时,可以直接使用插件生成的引用格式,确保格式规范统一。
总结
@jspsych/extension-record-video 1.2.0版本的发布,通过引入标准化的引用系统,进一步提升了jsPsych框架在学术研究中的适用性和专业性。这一改进不仅简化了研究者的工作流程,也增强了心理学实验工具的透明度和可追溯性,是开源科研软件发展的一个典范。
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