科学Python库开发指南与Cookiecutter模板使用手册
1. 项目目录结构及介绍
本项目scientific-python/cookie是一个基于科学Python开发者指南的Cookiecutter模版,旨在帮助开发者快速启动符合科学计算标准的新Python项目。以下是其核心目录结构概览:
.
├── devcontainer # 开发容器配置相关
├── docs # 文档资料存放处
│ ├── helpers # 辅助文档或脚本
│ └── ... # 更多文档子目录
├── src # 源代码目录,包含sp_repo_review等工具
│ └── sp_repo_review # 库代码及相关审查工具
├── tests # 测试目录
├── [.gitattributes] # 控制Git如何处理特定文件
├── [.gitignore] # 忽略特定文件的Git配置
├── [pre-commit-config.yaml] # 预提交钩子配置,确保代码质量
├── [cookiecutter.json] # Cookiecutter模板配置文件
├── [copier.yml] # 若使用Copier时的配置文件
├── [noxfile.py] # Nox自动化测试和环境管理文件
├── [pyproject.toml] # 包的元数据和依赖管理文件
└── [README.md] # 主要的项目说明文档
重要文件介绍:
- cookiecutter.json: 提供了项目生成时的选项列表,允许用户自定义项目细节。
- noxfile.py: 定义了一系列自动化任务,如测试、格式化检查等。
- pyproject.toml: 现代Python项目的配置文件,指定打包信息和依赖项。
2. 项目启动文件介绍
在生成的项目中,并没有一个单一的“启动文件”概念,因为这取决于所选择的包构建后端(如Hatch, Flit, Poetry等)。不过,每个构建后端通常有自己的入口点或配置文件来定义如何启动应用。例如,如果你选择了Poetry作为构建工具,pyproject.toml将是关键配置,而实际的应用启动通常由含有if __name__ == "__main__":块的主模块或通过entry_points在pyproject.toml中定义。
对于运行示例或服务,需查看具体项目中的__main__.py或根据应用框架(如FastAPI, Flask)的启动指南。
3. 项目的配置文件介绍
主要配置文件
-
pyproject.toml: 这是现代Python项目的核心配置文件,其中包含了项目元数据(如名称、版本)、依赖关系、以及可能的编译指令。它使项目遵循PEP 621标准。
-
setup.cfg/setup.py (如果使用setuptools): 老式的配置方式,用于不采用PEP 621标准的老项目。虽然新项目推荐使用
pyproject.toml,但在某些场景下,这些文件仍用于控制setuptools的行为。 -
cookiecutter.json: 这不是项目运行配置,但它是生成项目时的重要配置文件,决定了生成的项目结构和初始内容。
-
.gitignore: 控制哪些文件不应被纳入版本控制系统。
-
pre-commit-config.yaml: 自动化代码检查和格式化的配置,确保提交前代码的质量。
-
noxfile.py: 不直接属于配置文件,但定义了一系列自动化开发流程,间接影响项目管理和构建过程。
项目还可能包含其他配置,如特定于框架的配置文件(如Django的settings.py),或者特定部署的配置(如.env文件用于环境变量),但这些依赖于项目最终的选择和实现。在使用此模板创建项目后,开发者应根据应用需求细化这些配置。
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-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