Karakeep(原Hoarder)v0.23.1版本发布:品牌重塑与功能升级
Karakeep(原Hoarder)是一款专注于网页内容保存和管理的开源工具,它能够帮助用户高效地抓取、存储和组织网页内容。通过多种保存方式(如PDF、截图、HTML存档等),用户可以轻松构建个人知识库或存档重要网页资源。该项目特别适合研究人员、内容创作者和需要长期保存网络资料的用户群体。
品牌重塑:从Hoarder到Karakeep
本次发布的v0.23.1版本标志着项目的重要转折点——品牌重塑。项目名称从"Hoarder"变更为"Karakeep",这个新名称源自阿拉伯语"كراكيب"(karakeeb),意为"杂乱的收藏品",形象地描述了那些看似杂乱无章但实际上很有价值的个人收藏。
在技术实现上,当前版本在管理员面板中加入了品牌重塑的提示横幅,确保现有用户能够顺利过渡。需要注意的是,Docker镜像名称也将随之变更,但具体迁移时间将取决于仓库转移的进度。
核心功能升级
资产存储目录自定义
新版本引入了ASSETS_DIR环境变量,允许用户将资产文件存储到独立目录中。这一改进特别适合以下场景:
- 需要将可能占用大量空间的资产文件(如PDF、截图等)存储在网络挂载目录
- 希望将资产与应用程序数据分离管理
- 需要针对资产文件实施不同的备份策略
元数据增强
现在系统会捕获并索引链接的作者(author)和发布者(publisher)属性,为后续版本中展示这些信息奠定了基础。这一改进将显著提升内容管理的精细化程度,使用户能够:
- 按作者或发布者筛选内容
- 建立更完善的内容来源追踪
- 在未来版本中实现更智能的内容组织
用户体验优化
链接打开方式改进
"查看原始链接"功能现在会在新标签页中打开,避免了中断用户当前浏览流程的问题,这一看似微小的改动实际上显著提升了操作流畅度。
界面细节打磨
- 侧边栏字体重量调整,使界面看起来更加清爽
- 添加了GitHub发布页面链接,方便用户快速查看最新版本信息
性能与稳定性修复
内存管理优化
解决了处理大型SingleFile存档时内存耗尽的问题,通过避免在内存中缓冲上传文件,显著提升了系统处理大文件的稳定性。
可配置截图超时
新增了CRAWLER_SCREENSHOT_TIMEOUT_SEC配置项,允许用户根据实际网络环境和需求调整截图操作的超时时间,这一改进特别适合:
- 网络条件不稳定的使用环境
- 需要捕获复杂页面的场景
- 希望平衡成功率与响应时间的用户
升级指南
对于使用Docker部署的用户:
- 如果使用
HOARDER_VERSION=release,只需执行docker compose pull && docker compose up -d - 如果固定了特定版本,需要先更新版本号再执行上述命令
多语言支持
本次更新还新增了对多种语言的支持,进一步扩大了工具的可用性范围。
总结
Karakeep v0.23.1虽然是一个小版本更新,但包含了重要的品牌转型和多项实用改进。从灵活的资产存储到增强的元数据处理,再到细致的内存管理优化,这些变化共同提升了工具的实用性、稳定性和用户体验。特别值得一提的是,项目吸引了多位新贡献者的加入,展现了良好的社区发展势头。
随着品牌重塑完成,Karakeep将继续致力于为用户提供更强大的网页内容保存和管理解决方案,未来的版本值得期待。
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-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