Pandoc项目中的JATS导出功能新增CRediT角色支持
在学术出版领域,JATS(Journal Article Tag Suite)作为标准化的XML格式被广泛采用。近期Pandoc社区针对其JATS导出功能进行了重要升级,新增了对CRediT(Contributor Roles Taxonomy)作者贡献者角色标准的支持。这项改进使得学术论文的作者贡献声明能够更规范地嵌入到JATS格式文档中。
CRediT标准由NISO维护,定义了14种标准化的作者贡献角色,如"概念化"、"数据分析"、"资金获取"等。在技术实现层面,Pandoc通过在作者元数据中引入roles字段来支持这一特性。用户可以在YAML元数据中为每位作者声明多个贡献角色,每个角色包含type(CRediT标识符)和degree(贡献程度)两个关键属性。
从技术架构角度看,这项改进涉及三个核心组件:
- 元数据结构扩展:在作者信息中新增了可选的roles数组字段
- 模板引擎升级:修改了JATS发布模板以支持角色信息的XML渲染
- 国际化处理:通过内置的CRediT术语表支持多语言标签生成
在实际应用中,用户可以通过简洁的YAML语法声明作者贡献。系统会自动处理CRediT标识符与标准URI的映射关系,以及英文术语到其他语言的转换。这种设计既保证了元数据的规范性,又减轻了用户的输入负担。
对于学术出版工作流而言,这项改进具有重要意义。它使得通过Pandoc生成的JATS文档能够满足越来越多期刊对规范化作者贡献声明的强制要求。同时,标准化的角色声明也有助于提高学术出版的透明度和可追溯性。
从实现细节来看,系统会智能处理CRediT术语的各种变形情况。例如将"Writing - original draft"自动转换为标准URI路径,这种自动化处理显著提升了用户体验。开发者还特别考虑了多语言场景,允许用户覆盖默认的英文标签以满足不同语言期刊的需求。
这项功能改进体现了Pandoc作为文档转换工具对学术出版标准的持续跟进,也展示了开源社区如何通过协作解决实际工作流中的痛点问题。对于经常需要处理学术论文格式转换的研究人员和出版工作者来说,这无疑是一个值得关注的重要升级。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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