新闻详情

新闻详情

首页 / 资讯中心 / 详情

ToastFish 完整指南:Windows 通知栏刷完日语能力考 N1-N5 词库

发布时间:2026/11/4 19:49:49来源:尧图网络
ToastFish 完整指南:Windows 通知栏刷完日语能力考 N1-N5 词库
ToastFish 完整指南Windows 通知栏刷完日语能力考 N1-N5 词库【免费下载链接】ToastFish一个利用摸鱼时间背单词的软件。项目地址: https://gitcode.com/GitHub_Trending/to/ToastFishToastFish 是一款开源的 Windows 桌面软件用 Windows 通知栏推送单词帮你背日语能力考JLPT N1-N5词库。它内置间隔重复算法把每个单词拆成一条通知推到屏幕上你不用专门腾出时间上班、上课时顺手点两下就算完成了当天的复习。它解决什么问题日语能力考词汇量大而备考时间往往是碎片化的硬坐一小时背单词很难坚持。ToastFish 的定位很简单把单词推送到你的通知栏里让你用摸鱼时间完成记忆。核心能力一览 覆盖 JLPT N1-N5 各级别词库按级别选择背诵SM2 间隔重复算法薄弱词会按节奏更频繁地出现内置完整五十音 MP3 发音资源见 Resources/Goin支持导入自定义 Excel 词库推送你想背的内容跟着做从装到用第一步选择词库级别启动软件后按通知提示选择你要背的级别词库比如 N3 或 N2。已背过的词会被标记下次优先推送新词不会反复撞已掌握的内容。第二步设置每日单词数量通知会询问这次要背多少个可选 5 / 10 / 15 / 20。备考初期建议从 10 个开始稳定后再往上加。第三步启动通知推送点击开始后每条通知显示单词的词头、平假名读音、重音、词性和中文释义。点记住了进入下一个暂时跳过会把词放回队列稍后再考点发音可听日语读音。第四步做背诵后测试背完自动进入测验给一个中文释义加三个词头选项的选择题。答错会推送正确答案提示并重新考直到全部通过才算完成。备考场景下的进阶玩法 冲刺期查漏某级别测试通过率稳定走高说明该级别词汇已过关把总错的级别词库设为每日主推目标错题词库把多次答错的词整理进自定义 Excel 再导入形成专项复习集每次只推这些词自定义与学习记录 自定义模板位于 Resources/自定义模板.xlsx照格式填词和释义即可导入。每次点击开始都会在安装目录的 Log 文件夹生成 xlsx 记录还可以把背诵记录直接导入重背一轮。环境与获取系统Windows 10 及以上通知栏是 Win10 特性Win7 和 Mac 无法使用获取从项目 Release 页下载版本解压即可免安装运行也可双击安装包安装把排期交给 ToastFish 的通知栏你只管把记住了点下去。【免费下载链接】ToastFish一个利用摸鱼时间背单词的软件。项目地址: https://gitcode.com/GitHub_Trending/to/ToastFish创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉