arXiv Vanity 开源项目使用手册
本手册旨在提供一个清晰的指南,帮助您理解和操作arXiv Vanity这一开源项目。arXiv Vanity致力于将学术论文从arXiv转换成响应式的网页格式,从而改善阅读体验。下面我们将分别介绍其目录结构、启动文件以及配置文件。
1. 项目目录结构及介绍
arXiv Vanity的项目目录布局精心设计,便于维护和扩展。下面是主要的目录及其功能简介:
.docker: 包含Docker相关配置,如docker-compose.yml,Dockerfile, 用于构建运行环境。arxiv_vanity: 应用的核心代码所在,包含业务逻辑处理等。docs: 文档资料,可能包括项目说明或API文档。scripts: 启动脚本和其他辅助脚本,比如数据库迁移和超级用户创建 (manage.py也常用作管理命令入口)。.deepsource.toml,.gitignore,requirements.txt: 项目配置、忽略文件列表和Python依赖包列表。LICENSE,README.md: 许可证文件和项目的快速入门指南。docker-compose.*.yml: Docker Compose配置文件,用于多容器应用的部署。heroku.yml: 针对Heroku平台的部署配置文件。static,templates: 分别存放静态资源(如CSS, JS)和HTML模板文件。
2. 项目的启动文件介绍
在arXiv Vanity项目中,关键的启动逻辑通常位于几个核心文件内:
-
docker-compose.yml: 主要的Docker编排文件,定义了项目的各个服务(如web服务、数据库等)及其依赖,通过此文件可以一键启动整个应用环境。 -
Dockerfile: 指定了如何构建项目的Docker镜像,包含了基础环境的设置,依赖库安装等步骤。 -
script/manage.py: Django框架的标准管理脚本,提供了数据库迁移、超级用户创建、服务器运行等多种管理命令,是启动和管理项目的重要工具。例如,使用python manage.py runserver可以本地启动Web服务器,而python manage.py migrate则执行数据库迁移。
3. 项目的配置文件介绍
arXiv Vanity的配置主要分布在几个地方,根据Docker化部署,大部分配置通过环境变量或Docker compose来完成:
-
环境变量:许多配置项通过环境变量设定,这在Docker Compose的配置文件中体现,允许灵活配置不同环境。
-
settings.py: 在Django项目中,默认的配置文件通常隐藏在arxiv_vanity或其他指定的应用目录下。虽然直接访问此文件未在引用内容中明确指出,但一般情况下,它包含了数据库连接、应用程序设置等关键配置。请注意,在Docker化的环境下,具体配置可能会部分依赖外部环境变量来覆盖默认值。 -
docker-compose.yml中的环境配置: 如env_file指令或者直接在服务定义下的环境变量设置,这些直接控制着应用的行为,如数据库URL、应用端口等。
确保在实际部署前详细审查这些配置,因为它们对于正确且安全地运行项目至关重要。通过理解这些核心组件和配置细节,您可以更顺畅地搭建和管理arXiv Vanity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
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