jsPsych插件categorize-animation 2.1.0版本发布解析
jsPsych是一个广泛应用于心理学实验的JavaScript库,它提供了丰富的插件来帮助研究人员快速构建在线行为实验。其中categorize-animation插件是用于分类动画任务的常用工具,最新发布的2.1.0版本带来了一项重要的改进。
插件功能概述
categorize-animation插件主要用于创建分类学习实验中的动画刺激呈现任务。在该任务中,参与者需要观看一系列动画刺激,并根据某些特征将这些刺激分类到不同的类别中。这种范式常用于研究类别学习、决策制定和记忆等认知过程。
2.1.0版本核心改进
本次更新的主要变化是增加了对学术引用的支持,这一改进体现在以下几个方面:
-
标准化引用信息:现在每个插件都包含了一个citations属性,该属性提供了两种标准化的引用格式(APA和BibTeX),方便研究者在发表论文时正确引用所使用的插件。
-
自动化引用生成:插件构建过程中会自动从插件根目录下的.cff文件中提取引用信息,并将其转换为标准化的引用格式。这种自动化流程确保了引用信息的准确性和一致性。
-
便捷的引用获取:jsPsych库新增了getCitations()函数,研究者只需提供插件名称数组和所需的引用格式,就能快速生成规范的引用文本。该函数会自动将jsPsych库本身的引用放在首位,然后依次列出各插件的引用。
技术实现细节
从技术角度看,这次更新涉及以下关键点:
-
数据结构扩展:插件的信息字段(info)新增了citations属性,这是一个包含多种引用格式的对象。
-
构建流程增强:在插件构建过程中,系统会检查是否存在.cff文件(CITATION.cff),如果存在则自动解析并转换为标准引用格式。
-
实用函数添加:getCitations()函数提供了灵活的引用生成方式,支持按需选择特定插件和引用格式。
对研究实践的意义
这一改进对心理学和认知科学研究具有重要意义:
-
学术规范性:使研究者能够更方便地遵循学术规范,正确引用实验工具。
-
研究可重复性:明确的引用信息有助于其他研究者准确了解实验所使用的工具版本,提高研究的可重复性。
-
工作效率提升:自动化生成引用节省了研究者手动整理引用格式的时间。
使用建议
对于使用该插件的研究者,建议:
-
在实验代码中明确标注所使用的插件版本号。
-
在论文方法部分使用getCitations()生成的规范引用来描述实验工具。
-
更新实验时注意检查引用信息是否随之更新。
总结
jsPsych的categorize-animation插件2.1.0版本通过引入标准化的引用支持,进一步提升了这一心理学实验工具的学术严谨性和实用性。这一改进不仅方便研究者正确引用,也有助于提高心理学研究的透明度和可重复性标准。对于使用动画分类任务的研究者来说,升级到这一版本将能更好地满足学术发表的要求。
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