RubyGems 技术文档
1. 安装指南
1.1 系统要求
RubyGems 支持 Ruby 3.0 或更高版本。
1.2 安装方式
RubyGems 通常已经预装在 Ruby 环境中。你可以通过以下命令检查已安装的 RubyGems 版本:
gem --version
1.2.1 使用 Ruby 版本管理器
推荐使用 Ruby 版本管理器(如 rbenv 或 chruby)来管理 Ruby 和 RubyGems。
1.2.2 手动安装
如果你需要手动安装 RubyGems,可以按照以下步骤操作:
- 下载 RubyGems 源码包并解压,或者克隆 GitHub 仓库。
- 进入解压后的目录或克隆的仓库。
- 运行以下命令进行安装:
ruby setup.rb
你可以使用 --help 选项查看更多安装选项:
ruby setup.rb --help
1.3 升级 RubyGems
要升级到最新版本的 RubyGems,运行以下命令:
gem update --system
更多升级细节请参考 UPGRADING 文件。
2. 项目使用说明
2.1 安装 Gem
使用 gem 命令可以安装 Gem。例如,安装用于解析 XML 的 Nokogiri Gem:
gem install nokogiri
RubyGems 会从 RubyGems.org 下载并安装 Nokogiri Gem 到你的 Ruby 环境中。
2.2 加载和使用 Gem
在你的 Ruby 程序中,通过 require 语句加载 Gem,然后就可以使用其提供的功能。例如:
require 'nokogiri'
Nokogiri.XML('<h1>Hello World</h1>')
2.3 更多使用指南
更多关于 RubyGems 的使用信息,请参考 RubyGems 基础指南。
3. 项目 API 使用文档
RubyGems 提供了丰富的 API,允许开发者创建、管理和发布 Gem。以下是一些常用的 API 功能:
3.1 创建 Gem
你可以使用 RubyGems 提供的工具创建一个新的 Gem。更多信息请参考 创建 Gem 指南。
3.2 管理 Gem
RubyGems 提供了命令行工具来管理已安装的 Gem,包括更新、卸载和查看 Gem 信息。
3.3 发布 Gem
你可以将自定义的 Gem 发布到 RubyGems.org,供其他开发者使用。更多信息请参考 发布 Gem 指南。
4. 项目安装方式
4.1 使用预装版本
RubyGems 通常已经预装在 Ruby 环境中,无需额外安装。
4.2 手动安装
如果你需要手动安装 RubyGems,可以下载源码包或克隆 GitHub 仓库,然后运行 ruby setup.rb 进行安装。
4.3 使用 Ruby 版本管理器
推荐使用 Ruby 版本管理器(如 rbenv 或 chruby)来管理 Ruby 和 RubyGems。
5. 获取帮助
5.1 提交问题
如果你遇到问题或发现 bug,可以在 RubyGems GitHub 问题页面 提交问题。
5.2 Bundler 兼容性
关于 Bundler 的兼容性问题,请参考 Bundler 兼容性文档。
5.3 支持项目
RubyGems 由 Ruby Central 管理,你可以通过参加或赞助会议、加入支持会员等方式支持该项目。
5.4 贡献代码
如果你想为 RubyGems 贡献代码,请参考 贡献指南。
5.5 行为准则
所有参与 RubyGems 项目的人员都应遵守 贡献者行为准则。
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-1.5暂无简介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-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