I18n::Backend::ActiveRecord 技术文档
1. 安装指南
1.1 使用 Bundler 安装
在项目的 Gemfile 中添加以下内容:
gem 'i18n-active_record', require: 'i18n/active_record'
然后运行以下命令更新 Gem 包:
bundle install
1.2 运行安装器
更新 Gem 包后,运行以下命令以安装 i18n-active_record:
rails g i18n:active_record:install
该命令将生成一个迁移文件,用于创建 translations 表。
1.3 自定义表名
如果需要自定义表名,可以使用以下命令:
rails g i18n:active_record:install MyTranslation
1.4 简单安装
如果需要进行简单安装,可以使用以下命令:
rails g i18n:active_record:install --simple
该命令将生成一个简单的初始化文件。
1.5 配置清理方式
可以通过以下配置指定 ActiveRecord 后端在清理时使用 destroy 或 delete:
I18n::Backend::ActiveRecord.configure do |config|
config.cleanup_with_destroy = true # 默认值为 false
end
1.6 配置缓存
如果需要在生产环境中缓存翻译,可以使用以下配置:
I18n::Backend::ActiveRecord.configure do |config|
config.cache_translations = true # 默认值为 false
end
2. 项目的使用说明
2.1 基本使用
安装完成后,可以使用 I18n.t('Your String') 来从数据库中查找翻译。
2.2 自定义翻译模型
默认情况下,该 gem 使用内置的翻译模型。如果需要扩展功能,可以自定义翻译模型:
class MyTranslation < I18n::Backend::ActiveRecord::Translation
def value=(val)
super("custom #{val}")
end
end
I18n::Backend::ActiveRecord.configure do |config|
config.translation_model = MyTranslation
end
2.3 处理缺失翻译
为了使 I18n::Backend::ActiveRecord::Missing 模块正常工作,需要正确配置复数规则。i18n.plural.keys 翻译键应存在于任何后端中。
en:
i18n:
plural:
keys:
- :zero
- :one
- :other
2.4 插值字段
translations 表中的 interpolations 字段用于存储首次请求翻译时的插值。这有助于翻译人员理解需要包含哪些插值。
3. 项目API使用文档
3.1 基本API
I18n.t('Your String'): 从数据库中查找翻译。
3.2 配置API
I18n::Backend::ActiveRecord.configure: 配置 ActiveRecord 后端的选项,如清理方式和缓存。
3.3 自定义模型API
I18n::Backend::ActiveRecord::Translation: 默认的翻译模型,可以继承并扩展。
4. 项目安装方式
4.1 通过 Bundler 安装
在 Gemfile 中添加 gem 'i18n-active_record',然后运行 bundle install。
4.2 运行安装器
使用 rails g i18n:active_record:install 命令生成迁移文件并配置初始化文件。
4.3 自定义安装
可以通过 --simple 选项进行简单安装,或通过指定表名进行自定义安装。
4.4 配置选项
通过 I18n::Backend::ActiveRecord.configure 配置清理方式和缓存选项。
以上是 I18n::Backend::ActiveRecord 项目的技术文档,涵盖了安装指南、使用说明、API 文档以及安装方式。希望这份文档能帮助用户更好地理解和使用该项目。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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