jsPsych项目canvas-slider-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,广泛应用于心理学、神经科学等领域的在线实验开发。它提供了丰富的插件系统,使研究人员能够轻松创建各种实验范式。
核心更新内容
本次发布的canvas-slider-response插件2.1.0版本主要引入了一项重要改进:标准化引用功能。这一更新使得研究人员能够更方便地引用他们使用的插件和jsPsych库本身。
引用系统增强
新版本在每个插件中增加了标准化的引用信息字段,包含两种主流引用格式:
- APA格式:心理学领域常用的引用格式
- BibTeX格式:学术写作和参考文献管理工具广泛支持的格式
这些引用信息是自动生成的,基于每个插件根目录下的.cff文件(Citation File Format)。在构建过程中,系统会自动解析这些文件并生成相应的引用内容。
新增功能详解
-
插件元数据增强: 每个插件现在都包含一个
citations属性,存储了该插件的标准引用信息。这使得研究人员可以轻松获取他们使用的每个插件的正确引用方式。 -
全局引用功能: jsPsych库新增了
getCitations()方法,允许用户通过以下方式获取引用:// 获取特定插件的引用 const citations = jsPsych.getCitations(['canvas-slider-response'], 'apa'); // 获取多个插件的引用 const multipleCitations = jsPsych.getCitations(['plugin1', 'plugin2'], 'bibtex'); -
自动引用生成: 在构建过程中,系统会自动扫描插件的.cff文件并生成标准化的引用信息,确保引用数据的准确性和一致性。
技术实现细节
这一更新的技术实现涉及几个关键方面:
-
构建流程修改: 在构建过程中添加了新的处理步骤,用于解析.cff文件并生成引用信息。
-
模板系统更新: 插件模板现在默认包含citations字段,确保新创建的插件从一开始就支持引用功能。
-
引用格式标准化: 系统确保生成的引用符合学术出版的标准格式要求,包括作者、标题、版本号等必要信息。
对研究实践的影响
这一更新对心理学和行为科学研究具有重要意义:
-
学术诚信: 使研究人员能够更轻松地正确引用他们使用的工具,符合学术规范。
-
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设置。
-
工作流程简化: 研究人员不再需要手动查找和格式化引用信息,节省了时间并减少了错误。
使用建议
对于使用canvas-slider-response插件的研究人员,建议:
- 在方法部分明确说明使用的插件版本
- 使用新的getCitations()方法生成标准引用
- 同时引用jsPsych主库和特定插件
- 在更新研究材料时检查引用信息是否需要更新
这一更新体现了jsPsych项目对学术规范和研究者需求的重视,使得基于web的行为实验更加规范化和专业化。
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