Brooklyn 网站与文档项目技术文档
1. 安装指南
1.1 工作站设置
-
克隆仓库:首先,克隆
brooklyn仓库及其子项目,并按照 [提交者指南][COMMIT] 设置远程仓库。 -
安装 Ruby 和 RVM:项目使用 Jekyll 处理网站内容,因此需要 Ruby 和 gem。推荐使用 RVM 来管理 Ruby 安装和 gem 集。
curl -sSL https://get.rvm.io | bash -s stable --auto-dotfiles关闭并重新打开终端,进入项目目录。RVM 会根据
Gemfile配置自动配置环境。如果提示缺少 Ruby 版本,按照提示安装相应版本。 -
安装依赖 Gem:
bundle install如果遇到问题,可以参考 [提交者指南][COMMIT] 中的常见问题解决方法。
1.2 构建 PDF 文档(可选)
如果需要构建 PDF 文档,需安装 wkhtmltopdf。可以通过以下命令安装:
sudo apt-get install wkhtmltopdf
2. 项目的使用说明
2.1 查看网站和文档
在项目目录下运行以下命令,启动本地服务器并查看文档:
jekyll serve
服务器启动后,Jekyll 会输出本地访问地址(如 http://localhost:4000/)。修改文件后,Jekyll 会自动重新生成内容。
2.2 项目结构
项目包含两个微型站点:
/website:主网站内容,包括提交者指令、下载说明和“了解更多”页面。/guide:用户指南和特定版本的 Brooklyn 信息,包括代码结构和 API 文档。
其他重要目录:
/style:包含 JS、CSS 和图像资源。/_build:包含构建脚本和配置文件。/_plugins:包含 Jekyll 插件,提供标签和生成逻辑。/_layouts:包含页面使用的 HTML 模板。/_includes:包含模板和页面使用的杂项内容。
2.3 分支管理
/website可以针对任何分支构建,通常从master分支发布。/guide应针对特定分支更新和构建,例如master或0.7.0-M2。
3. 项目 API 使用文档
API 文档通常在 /guide 目录中生成。可以通过以下命令生成 API 文档:
_build/build.sh guide-version
生成的文档将位于 _site/v/<version>/ 目录下。
4. 项目安装方式
项目的安装主要依赖于 Ruby 和 Jekyll。按照 安装指南 中的步骤配置环境后,即可通过 jekyll serve 命令启动本地服务器,或通过 _build/build.sh 脚本进行更复杂的构建和发布操作。
4.1 构建脚本
_build/build.sh 脚本提供了多种构建选项,可以通过以下命令查看帮助:
_build/build.sh help
常用的构建选项包括:
website-root:仅构建网站。guide-latest:构建最新版本的指南。guide-version:构建特定版本的指南。
4.2 发布网站和指南
发布到 Apache 网站需要将生成的 HTML 文件提交到 Apache Subversion 仓库。具体步骤请参考 [提交者指南][COMMIT]。
通过以上文档,您应该能够顺利安装、使用和了解 Brooklyn 网站与文档项目。如有任何问题,请参考项目 Wiki 或联系项目维护者。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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