jsPsych项目发布:html-audio-response插件2.1.0版本解析
jsPsych是一个广泛应用于心理学实验的JavaScript库,它允许研究人员在网页浏览器中创建和运行行为实验。该库通过模块化的插件系统提供了丰富的实验范式支持,使心理学实验的编程变得更加高效和标准化。
本次发布的2.1.0版本是html-audio-response插件的一个重要更新。这个插件专门用于收集被试对音频刺激的响应,是听觉实验研究中的重要工具。新版本主要增加了对学术引用的支持,体现了jsPsych项目对科研规范性的重视。
核心更新内容
学术引用功能增强
2.1.0版本最显著的改进是为所有插件和扩展添加了标准化的引用信息。这一功能通过以下方式实现:
-
内置引用属性:每个插件现在都包含一个
citations属性,存储了该插件的APA和BibTeX两种格式的引用信息。 -
引用生成函数:jsPsych主包新增了
getCitations()函数,研究人员可以通过传入插件名称数组和引用格式字符串,方便地生成所需的引用列表。 -
自动化引用生成:构建过程中,系统会自动从插件目录下的.cff文件中提取引用信息,确保引用数据的准确性和一致性。
技术实现细节
引用数据存储结构
每个插件的info字段现在包含标准化的引用信息,采用以下结构:
info: {
// ...其他原有字段
citations: {
apa: "标准APA格式的引用字符串",
bibtex: "标准BibTeX格式的引用字符串"
}
}
引用生成函数使用示例
研究人员可以通过简单调用获取引用:
// 获取jsPsych主库和html-audio-response插件的APA格式引用
const citations = jsPsych.getCitations(['jspsych', 'html-audio-response'], 'apa');
该函数会自动将jsPsych主库的引用排在首位,随后是按传入顺序排列的插件引用,各引用间用换行符分隔。
对研究实践的影响
这一更新为心理学实验研究带来了几个重要优势:
-
规范化引用:确保研究中使用的工具得到恰当引用,符合学术伦理要求。
-
引用便利性:研究人员不再需要手动查找和格式化插件引用,减少了准备工作量。
-
一致性保证:自动化生成的引用格式统一,避免了人为错误。
-
透明度提升:实验代码中明确包含了所用工具的版本和引用信息,提高了研究的可重复性。
开发者建议
对于基于jsPsych进行实验开发的研究人员:
-
更新到新版本后,可以方便地在实验介绍或方法部分加入标准化的工具引用。
-
建议在实验代码中保留getCitations()的输出,作为实验材料的一部分。
-
对于自行开发的插件,可以参照相同模式添加.cff文件,实现引用信息的自动化管理。
这一更新体现了jsPsych项目对科研规范性的持续关注,使得基于浏览器的心理学实验更加符合学术出版的标准要求,同时也为研究人员提供了更完善的工作流程支持。
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