jQuery Turbolinks 技术文档
1. 安装指南
在开始使用 jQuery Turbolinks 之前,请确保您的项目中已经包含了 jQuery 库。
Gemfile 安装
在您的 Gemfile 文件中添加以下代码:
gem 'jquery-turbolinks'
然后运行 bundle install 命令来安装该库。
JavaScript 文件配置
在您的 JavaScript 文件中,按照以下顺序引入库:
//= require jquery
//= require jquery.turbolinks
//= require jquery_ujs
//
// ... 您的其他脚本 ...
//
//= require turbolinks
确保 jquery.turbolinks.js 在 turbolinks.js 之前被加载。
2. 项目的使用说明
jQuery Turbolinks 是为了解决在使用 Turbolinks 时遇到的问题而设计的。Turbolinks 可以提高用户在网站上的浏览体验,但如果您的代码库中包含大量的 $(el).bind(...) 代码,Turbolinks 可能会导致您的 JavaScript 无法正常工作。这是因为 Turbolinks 会替换页面元素,而您绑定事件的元素已经不存在了。
使用 jQuery Turbolinks 可以解决这一问题。只需按照上述顺序加载库,它就会自动工作。
3. 项目API使用文档
以下是一些项目的 API 使用方法:
$.turbo.use
默认情况下,jQuery.Turbolinks 绑定到 [page:load] 和 [page:fetch] 事件。如果您想使用不同的事件(例如,如果您没有使用 Turbolinks),可以使用以下方法:
$.turbo.use('pjax:start', 'pjax:end');
$.turbo.isReady
您可以通过检查 $.turbo.isReady 来判断页面是否已准备好。该属性可以是 true 或 false,取决于页面是否正在加载。
4. 项目安装方式
项目的安装方式已在“安装指南”中详细描述。您可以通过 Gemfile 安装,并在 JavaScript 文件中按照正确的顺序引入相关的库文件。请确保 jquery.turbolinks.js 在 turbolinks.js 之前加载。
以上是 jQuery Turbolinks 的技术文档,希望对您有所帮助。如果您在使用过程中遇到任何问题,请参考“故障排除”部分或在相关社区寻求帮助。
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