Slash 项目技术文档
1. 安装指南
支持平台
Slash 支持以下平台:
- Linux (x86, x86_64, ARMv6)
- Mac OS X (x86_64)
- Windows (x86)
安装步骤
对于正常的系统环境,安装 Slash 的步骤如下:
$ ./configure
$ make
# make install
默认情况下,./configure 会启用所有扩展(目前包括 mysql、json、base64、gcrypt 和 inflect)。如果要禁用某个扩展,可以使用 --no-ext=<extname> 选项。启用被禁用的扩展时,使用 --ext=<extname> 选项。
Slash 本身编译为静态库(在类 Unix 系统中为 libslash.a)。为了实际使用 Slash,您必须编译一个 SAPI(Server API)。SAPI 是连接 libslash 和您的 Web 服务器的软件。例如,如果您想在 Apache Web 服务器上运行 Slash,您必须通过向 ./configure 传递 --sapi=apache2 来启用 apache2 SAPI。默认情况下,会自动启用 cli SAPI,它允许您从命令行运行 Slash 脚本。
如果您的库安装在非标准位置,且配置脚本无法找到它们,您可以使用 --with-lib-dir=<path> 选项指定位置。如果 Slash 仍然无法配置,您可以使用 --verbose 开关将额外信息记录到终端。如果您需要报告问题,这些信息将是必需的。
make install 默认将 Slash 安装到 /usr/local。这个安装前缀可以通过 --prefix=<path> 选项更改。
在 OS X 上的安装
如果您安装了 Homebrew,可以通过以下命令安装依赖:
brew install gmp pcre libgcrypt yajl discount
在 Windows 上的安装
Windows 可以使用 mingw-gcc 来构建原生 Slash。将来会提供 slash-cli 和常见 SAPIs 的二进制分发。
2. 项目的使用说明
请参考项目的官方文档和示例,以了解如何使用 Slash 语言来创建动态网页。
3. 项目API使用文档
目前项目 API 使用文档尚未提供,建议关注项目官方渠道获取最新信息。
4. 项目安装方式
如前所述,项目的安装方式是通过源代码编译。具体步骤请参考安装指南部分。
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