jsPsych音频按钮响应插件2.1.0版本发布解析
jsPsych是一个用于构建行为实验的JavaScript库,它提供了丰富的插件系统来支持各种心理学和行为学研究范式。其中,audio-button-response插件是专门用于呈现音频刺激并收集用户通过按钮进行响应的常用工具。
核心更新内容
本次2.1.0版本的更新主要围绕学术引用规范的改进,为插件增加了标准化的引用信息。具体改进包括:
- 在所有插件和扩展的info字段中新增了citations属性,支持APA和BibTeX两种引用格式
- 在jsPsych包中新增了getCitations()函数,允许用户通过传入插件/扩展名称数组和引用格式字符串来生成规范的引用文本
- 改进了插件模板,默认包含citations字段
- 构建过程中会自动从插件根目录下的.cff文件生成引用信息
技术实现细节
这项改进的技术实现采用了模块化设计思路:
-
引用数据存储:每个插件的info对象现在包含标准化的citations字段,以对象形式存储不同格式的引用文本
-
引用生成函数:新增的getCitations()函数采用了两层处理逻辑:
- 第一层总是优先输出jsPsych核心库的引用
- 第二层处理用户指定的插件列表,按名称匹配并提取预存的引用信息
-
构建流程集成:在项目的构建过程中,构建脚本会自动扫描各插件目录下的.cff(引用文件)文件,将其内容转换为标准化的引用格式并注入到最终构建产物中
使用场景与价值
这项改进为研究者带来了三大核心价值:
-
规范化引用:解决了心理学实验中插件使用难以规范引用的问题,符合学术出版的要求
-
便捷性:通过简单的函数调用即可生成完整的引用文本,无需手动整理
-
标准化:统一的引用格式确保了实验方法部分描述的规范性
典型使用示例:
// 获取jsPsych核心和音频按钮响应插件的APA格式引用
const citations = jsPsych.getCitations(['jspsych', 'audio-button-response'], 'apa');
技术架构影响
从架构角度看,这次更新体现了jsPsych向更学术化方向发展的趋势:
-
元数据丰富化:插件不再仅是功能单元,还承载了学术元数据
-
构建系统扩展:构建流程增加了对学术元数据的处理能力
-
API完整性:补充了学术工作中必不可少的引用相关功能
这种设计既保持了库的轻量级特性,又满足了学术研究的严谨性要求,展现了优秀的技术平衡能力。
开发者建议
对于基于jsPsych进行开发的科研人员,建议:
-
更新到新版本后,可以在实验代码中统一使用getCitations()生成方法部分所需的引用信息
-
对于自定义插件,建议在插件目录中添加.cff文件以确保自动生成正确的引用信息
-
在论文投稿时,可直接使用插件提供的标准引用格式,避免格式问题
这项改进虽然看似微小,但对确保心理学实验的可重复性和学术规范性具有重要意义,体现了jsPsych对科研工作流程的深入理解和技术支持。
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