jsPsych插件@jspsych/plugin-webgazer-validate 2.1.0版本发布解析
jsPsych是一个用于构建行为实验的JavaScript库,它允许研究人员和开发者在网页浏览器中创建心理学、神经科学等领域的实验。该库提供了丰富的插件系统,使得开发者可以轻松扩展实验功能。
本次发布的@jspsych/plugin-webgazer-validate 2.1.0版本是该插件的一个重要更新,主要增加了对学术引用的支持功能。这个插件主要用于验证WebGazer眼动追踪系统的校准效果,是眼动追踪研究中的重要工具。
核心更新内容
2.1.0版本最主要的改进是为所有插件和扩展添加了引用信息属性。这一更新体现了jsPsych团队对学术规范的重视,使得研究者在发表论文时能够更方便地引用所使用的工具。
具体更新包括:
- 在每个插件/扩展的info字段中添加了citations属性,支持APA和BibTeX两种引用格式
- 在jsPsych包中新增了getCitations()函数,允许用户通过插件/扩展名称数组和引用格式字符串来生成引用
- 插件/扩展模板现在默认包含citations字段
- 构建过程中会自动从插件/扩展根目录下的.cff文件生成引用信息
技术实现解析
这一更新在技术实现上有几个值得关注的要点:
-
标准化引用格式:插件现在内置了两种最常用的学术引用格式(APA和BibTeX),满足了不同期刊的要求。
-
动态引用生成:通过getCitations()函数,研究者可以灵活地组合需要引用的插件,并选择输出格式,大大简化了论文写作中的引用工作。
-
自动化构建流程:引用信息在构建过程中自动从.cff文件生成,保证了信息的准确性和一致性,也减轻了开发者的维护负担。
-
优先显示原则:getCitations()函数总是首先输出jsPsych库本身的引用,然后再输出其他插件/扩展的引用,符合学术规范。
对研究实践的影响
这一更新虽然看似只是增加了引用功能,但对实际研究实践有着重要意义:
-
提高研究可重复性:明确的引用信息使得其他研究者能够准确了解实验使用了哪些工具,便于重复研究。
-
简化论文写作:研究者不再需要手动查找和整理各种插件的引用信息,节省了大量时间。
-
促进学术规范:内置的引用功能提醒研究者正确引用所使用的工具,有助于提高研究的学术严谨性。
-
统一引用格式:所有插件采用一致的引用格式,避免了研究者自行整理时可能出现的格式不一致问题。
总结
jsPsych的@jspsych/plugin-webgazer-validate 2.1.0版本通过增加引用支持功能,进一步提升了这一眼动追踪验证工具在学术研究中的实用性。这一更新体现了jsPsych项目对学术规范的重视,也展示了其作为研究工具的成熟度。对于使用WebGazer进行眼动追踪研究的研究者来说,这一版本不仅提供了技术功能,还简化了学术发表过程中的引用工作,是值得升级的版本。
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