EpubCCKonvertering af et papir fuld af ligninger til EPUB
Opdateret:
Ligninger er svagheden: EpubCC motoren holder på prosaen og enkle inline symboler, men visningsligninger med brøker, summer og indekserede kommer ud som sammenblandet almindelig tekst, fordi den endnu ikke bygger MathML. På DPO papiret (arXiv, CC BY 4.0) er vores 8-gram recall 0.814, bag OpenDataLoader (0.860) og PDFium (0.838).
Original og resultat
Visningsligninger med brøker, summer, eksponenter og subscript; græske bogstaver i løbende tekst; teorem-stil afledninger i appendiks.
Download kilde PDF Download prøve EPUB
Hvornår man skal beholde PDF
Hvis ligningerne er formålet med dokumentet, behold PDF for at læse dem. EPUB er nyttig for prosaen omkring dem (introduktion, diskussion, relateret arbejde), som flyder og samles korrekt over sider.
MathML-output er ikke planlagt til den første version; når det eksisterer, vil denne sag blive genereret igen, og datoen ovenfor vil ændre sig.
Kilde og licens
- Dokument
- Direct Preference Optimization paper (arXiv 2305.18290)
- Licens
- CC BY 4.0
- Sider
- 27
- Egenskaber
- tekst PDF, én kolonne, formler, fodnoter, akademisk artikel
Rafailov, Sharma, Mitchell, Ermon, Manning and Finn, “Direct Preference Optimization: Your Language Model is Secretly a Reward Model”, arXiv:2305.18290v3, licensed CC BY 4.0 (checked on the arXiv abstract page, 2026-11-04). Pages shown unmodified; the EPUB is our conversion.
Brugte indstillinger
- Motor: EpubCC motor ved commit 3b74b26, den binære der genererede billederne og prøven (2026-11-04).
- Sider: hele dokumentet for figurerne; siderne 4-5 for billederne og prøven EPUB.
- Benchmark tal: en kørsel fra 2026-11-04 med den samme binære, hver engine på hele dokumentet; dette dokument er ikke endnu en del af det offentliggjorte benchmark.
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
EPUBCheck 5.4.0 på det downloadable prøver: 0 fejl, 0 advarsler (kontrolleret 2026-11-04).
- Sider
- 27
- Tid
- 0.15 s
- Maksimal hukommelse
- 63 MB
- Kapitler
- 11, fra papirets overskrifter
- Fodnoter fundet
- 7, 6 forbundet
- Ligninger konverteret til MathML
- 0
- Kvalitetsadvarsler
- ingen
| Motor | 8-gram tilbagekaldelse |
|---|---|
| EpubCC engine (EPUB output) | 0.839 |
| EpubCC engine (plain text) | 0.833 |
| pdf_oxide · extract_text | 0.780 |
| pdf_oxide · to_plain_text (XY-cut) | 0.777 |
| pdf_oxide · Markdown | 0.807 |
| PDFium · text().all() | 0.838 |
| OpenDataLoader PDF (local mode) | 0.860 |
| pdftotext (Poppler) | 0.827 |
| Calibre · ebook-convert (EPUB output) | 0.777 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.837 |
Begrænsninger vi har observeret
- Visningsligninger skrives som ren tekst i den rækkefølge PDF trækker dem: brøkstreger forsvinder, tællere og nævnere lander på separate linjer, og ligestillingsnummeret driver («r(x, y) = β log + β log Z(x). (5) π ref (y | x)»).
- Subscripts skrives inline med et mellemrum (π ref, π θ) i stedet for som subscripts; nogle superscripts bevares (π^SFT).
- Ingen MathML: en læse-app kan ikke gengive eller læse formlerne højt.
- OpenDataLoader (0.860), PDFium (0.838) og pdftotext (0.827) har en højere 8-gram recall end vores motor (0.814); referencen springer ligninger over, så dette måler prosaen.
- Prøvens titel kom ud som «4 Direct Preference Optimization» (den første overskrift af de konverterede sider), ikke papirens titel.