MDQ v0.6.0 版本发布：JSON输出格式与发布资产命名重大变更
MDQ 是一个强大的 Markdown 查询工具，它允许用户通过命令行对 Markdown 文档进行精确的查询和提取。该项目采用 Rust 语言开发，以其高性能和跨平台特性受到开发者青睐。最新发布的 v0.6.0 版本带来了两项重要的破坏性变更，同时为未来的公共 API 打下了基础。
JSON 输出格式重构
在 v0.6.0 版本中，MDQ 对列表项的 JSON 输出格式进行了重大重构。这一变更使得数据结构更加一致和直观。
在之前的版本中，当使用选择器（如 - *）查询列表项时，结果会以特殊的 list_item 类型呈现，其内容嵌套在 item 字段中。这种设计虽然功能完整，但在数据结构上显得有些特殊化。
新版本采用了更加统一的设计，将列表项直接表示为标准的列表结构。这一变更使得 MDQ 的输出格式更加符合常见的数据处理库的预期，减少了特殊情况的处理逻辑。
对于开发者而言，这意味着需要更新任何依赖于旧格式的代码。虽然这带来了短期的工作量，但从长远来看，这种更加规范化的数据结构将提高代码的可维护性和互操作性。
发布资产命名规范化
v0.6.0 版本还对发布资产的命名规则进行了标准化。此前，MDQ 使用简单的平台名称（如 ubuntu、macos、windows）来标识不同平台的构建包。新版本采用了更加正式的"目标三元组"命名约定。
这种命名方式包含了架构、厂商、操作系统和ABI信息，例如：
aarch64-apple-darwin表示苹果 M 系列芯片的 macOS 系统x86_64-pc-windows-gnu表示 Windows 平台的 GNU 工具链构建x86_64-unknown-linux-gnu表示标准 Linux 发行版
这种变更虽然增加了文件名的长度，但提供了更精确的平台描述，有助于用户选择正确的构建包，特别是在交叉编译或特殊环境下。
技术架构演进
v0.6.0 版本包含了大量内部重构工作，为即将推出的公共 API 做准备。这些改动虽然对最终用户不可见，但代表了项目架构的重要演进。
通过这次重构，MDQ 的核心功能被更好地模块化和解耦，为未来的功能扩展和集成提供了更坚实的基础。开发者可以期待在后续版本中看到一个设计良好的公共 API，这将使得 MDQ 能够被更灵活地集成到各种工作流和工具链中。
升级建议
对于现有用户，升级到 v0.6.0 版本需要注意以下几点：
- 检查并更新任何依赖于旧版 JSON 输出格式的代码
- 更新自动化脚本中可能存在的硬编码资产文件名
- 评估新版本是否会影响现有的工作流程
虽然这些变更带来了一定的迁移成本，但它们都是为了提高项目的长期可维护性和用户体验。对于新用户来说，这些改进使得 MDQ 更加规范和易于使用。
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-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
- Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型，并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型，它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色，旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
docs
kernel
pytorch
ops-math
openHiTLS
flutter_flutter
ohos_react_native
RuoYi-Vue3
cangjie_compilerCangjie-Examples