jsPsych插件categorize-image 2.1.0版本发布:强化心理学实验的图片分类功能
项目简介
jsPsych是一个基于JavaScript的开源库,专门用于创建在浏览器中运行的心理学实验。它提供了一系列插件,使研究人员能够轻松构建各种实验范式,从简单的反应时间任务到复杂的认知评估。其中,categorize-image插件是用于图片分类实验的重要工具,允许参与者对呈现的图片进行分类响应。
2.1.0版本核心更新
本次2.1.0版本的更新主要集中在学术引用功能的增强上,体现了jsPsych团队对学术规范性的重视。具体更新内容包括:
-
标准化引用系统:所有插件和扩展现在都包含标准化的引用信息字段,支持APA和BibTeX两种主流引用格式。
-
新增getCitations()函数:jsPsych包中新增了这个实用函数,研究人员可以通过简单的调用自动生成所需的引用信息。使用方式为传入插件/扩展名称数组作为第一个参数,引用格式字符串作为第二个参数。
-
自动化引用生成: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。
-
智能引用排序:getCitations()函数会智能地将jsPsych库本身的引用放在首位,然后按照用户指定的顺序排列其他插件/扩展的引用,各引用间用换行符分隔。
技术实现细节
在底层实现上,jsPsych团队采用了以下技术方案:
-
结构化元数据:每个插件现在都包含完整的元信息结构,其中citation字段存储了标准化的引用数据。
-
构建时处理:在项目构建阶段,系统会扫描各插件目录下的.cff文件(Citation File Format),这是一种专门用于描述软件引用的标准格式,自动转换为插件内部的引用信息。
-
动态引用生成:getCitations()函数提供了灵活的接口,支持按需生成特定格式的引用文本,方便研究人员直接复制到论文中。
对研究实践的影响
这一更新对心理学实验研究具有实际意义:
-
提升学术规范性:简化了正确引用实验工具的流程,有助于提高研究的可重复性和学术诚信。
-
节省研究人员时间:自动生成的引用格式避免了手动整理引用的繁琐工作,减少了格式错误的风险。
-
标准化实验报告:统一的引用方式使得不同研究之间更容易比较方法和工具。
使用建议
对于使用categorize-image插件的研究人员:
-
在实验代码中,可以通过jsPsych.getCitations()方便地获取所有使用插件的规范引用。
-
建议在实验方法部分明确说明使用的jsPsych版本及插件版本,以增强研究的透明度。
-
对于自行修改过的插件,应当更新.cff文件以反映修改情况。
总结
jsPsych的categorize-image插件2.1.0版本通过引入系统化的引用功能,进一步提升了这个心理学实验工具的学术严谨性。这一更新不仅体现了开发团队对研究规范的重视,也为广大心理学研究者提供了更加便捷、规范的实验工具。随着jsPsych生态系统的不断完善,它将继续为在线行为研究提供可靠的技术支持。
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