Kolibri 0.18.0版本发布:教育平台教练功能全面升级
Kolibri是一个开源的教育技术平台,旨在为资源受限环境下的学习者提供高质量的数字化学习体验。作为一个完整的离线学习解决方案,Kolibri允许教育工作者在没有稳定互联网连接的地区部署和使用丰富的教育内容。最新发布的0.18.0版本重点改进了教练(Coach)功能,使教育工作者能够更高效地创建课程和测验。
教练功能全面革新
0.18.0版本对Kolibri的教练体验进行了重大改进,核心目标是帮助教育工作者更轻松地找到创建课程和测验所需的材料。新版本引入了基于元数据的筛选功能,教练现在可以根据活动类型(视频、音频、阅读材料)、语言、难度级别、类别(学校科目、职业材料)等多种标准来过滤内容。通过组合使用这些筛选条件,教练能够快速定位到特定且相关的教学资源。
关键功能更新
元数据筛选系统
新版Kolibri为教练提供了强大的元数据筛选能力。在创建课程和测验时,教练可以利用以下筛选维度:
- 活动类型:区分视频、音频、阅读材料等不同形式的内容
- 语言:按内容语言进行筛选
- 难度级别:根据学习者的水平选择合适难度的材料
- 类别:按学校科目或职业培训材料分类
这种精细化的筛选机制显著提升了资源查找效率,使教练能够快速构建针对性的教学方案。
导航结构优化
Kolibri 0.18.0重新设计了教练界面的导航结构,将页面围绕"课程"和"测验"两大核心功能进行组织,取代了原有的"报告"和"计划"分类方式。这种调整使教育工作者能够更直观地找到相关功能页面,同时部分页面还增加了额外的信息展示和交互元素。
测验创建流程改进
新版本提供了更灵活的测验创建选项:
- 自动生成测验:系统可以根据选定的练习自动创建测验
- 手动选题:教练可以从可用资源中挑选特定问题
此外,教练现在可以控制测验报告对学习者的可见时间,增加了教学管理的灵活性。
技术架构升级
在技术层面,0.18.0版本对教练插件页面进行了重构,以支持新的导航结构。路由系统采用了嵌套路由设计,并在课程页面实现了侧边栏风格的用户体验。同时升级了Kolibri设计系统(KDS),修复了多个错误并引入了新的KCard组件。
开发者相关更新
JS公共API重大变更
0.18.0版本对Kolibri的JS公共API进行了重大调整:
- 移除了大量原有的JS公共API,仅保留TaskResource作为公开资源
- 所有未明确标记为"public"的API端点均被视为内部接口,不再提供支持
- 原有公共代码已被删除或移至未发布的kolibri-common包中
开发者如需继续使用这些功能,建议自行维护修改后的版本。
技术栈升级
Kolibri 0.18.0完成了多项技术栈升级:
- 升级至Vue 2.7版本
- 支持Python 3.13
- 将代码检查工具(linting)独立为单独包
这些升级为开发者提供了更现代的开发环境和工具链。
内容渲染器改进
新版本对内容渲染器进行了多项更新和修复:
- 新增Bloom播放器支持
- 自动更新H5P内容
- 修复了H5P资源在所有问题都回答正确时不显示完成状态的问题
- 增加了对Perseus图形渲染的支持
这些改进提升了Kolibri对不同类型教育内容的兼容性和呈现效果。
系统架构优化
0.18.0版本包含多项底层架构改进:
- 新增文件存储选项
- 允许通过环境变量启用/禁用/应用插件
- 支持将Studio URL创建为网络位置
- 实现了任务轮询组合功能
- 增强了内容安全策略(CSP)的兼容性
这些改进增强了Kolibri的灵活性和安全性,为系统管理员提供了更多配置选项。
总结
Kolibri 0.18.0版本通过全面改进教练功能,显著提升了教育工作者创建和管理课程、测验的效率。新引入的元数据筛选系统和优化的用户界面使资源查找更加便捷,而技术架构的升级则为系统的长期发展奠定了更坚实的基础。对于教育工作者而言,这个版本提供了更强大的教学工具;对于开发者而言,则带来了更现代的代码架构和开发体验。这些改进共同推动Kolibri向着成为更完善的教育技术平台迈进。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-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-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