jsPsych项目发布:图像键盘响应插件v2.1.0版本更新解析
jsPsych是一个用于构建心理学实验的JavaScript库,它提供了丰富的插件系统,使研究人员能够轻松创建各种实验范式。本次发布的v2.1.0版本对图像键盘响应插件(@jspsych/plugin-image-keyboard-response)进行了重要更新,主要增加了引用功能支持,这对于学术研究的规范性和可重复性具有重要意义。
更新内容详解
新增引用功能
本次更新的核心内容是增加了对学术引用的支持。具体实现包括:
-
插件信息字段扩展:所有插件和扩展现在都包含一个
citations属性,该属性存储了两种标准引用格式(APA和BibTeX)的引用信息。 -
引用生成函数:jsPsych包中新增了
getCitations()函数,研究人员可以通过传入插件/扩展名称数组和所需的引用格式字符串,自动生成规范的引用文本。 -
自动化引用生成:在构建过程中,系统会自动从每个插件/扩展根目录下的.cff文件中提取引用信息,并生成标准化的引用格式。
-
默认模板更新:插件/扩展的模板现在默认包含引用字段,方便开发者维护规范的引用信息。
技术实现分析
这一更新体现了jsPsych项目对学术规范的重视。引用功能的实现采用了以下技术方案:
-
结构化引用存储:引用信息以标准化的格式存储在插件信息中,确保了数据的一致性和可访问性。
-
动态引用生成:
getCitations()函数提供了灵活的引用生成方式,支持按需组合多个插件的引用信息。 -
构建时自动化处理:通过构建流程自动处理.cff文件,减少了人工维护引用信息的工作量,同时降低了出错概率。
-
多格式支持:同时支持APA和BibTeX两种主流引用格式,满足了不同学术场景的需求。
对研究实践的影响
这一更新对心理学实验研究具有以下实际意义:
-
提升学术规范性:研究人员可以更方便地正确引用所使用的实验工具,符合学术伦理要求。
-
增强研究可重复性:明确的引用信息有助于其他研究者准确了解实验工具的具体版本和实现细节。
-
简化文献管理:支持BibTeX格式可以直接导入文献管理软件,提高了研究效率。
-
促进方法透明:规范的引用实践有助于提高心理学研究的透明度和可信度。
使用建议
对于使用jsPsych进行研究的研究人员,建议:
-
在方法部分明确说明使用的jsPsych插件及版本信息。
-
使用
getCitations()函数生成规范的引用文本,包括在论文的参考文献部分。 -
定期更新插件版本,以获取最新的功能改进和错误修复。
-
对于自行开发的插件,建议遵循相同的引用规范,维护.cff文件。
这一更新体现了jsPsych项目团队对学术研究规范的重视,也展示了该项目作为心理学研究工具的成熟度和专业性。研究人员可以更加自信地使用这一工具进行高质量的心理学实验研究。
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