EpubCCConvirtiendo un artículo lleno de ecuaciones a EPUB
Actualizado:
Las ecuaciones son el punto débil: el motor EpubCC mantiene la prosa y símbolos simples en línea, pero las ecuaciones de visualización con fracciones, sumas y subíndices aparecen como texto plano desordenado, porque aún no construye MathML. En el documento DPO (arXiv, CC BY 4.0) nuestro 8-gram recall es 0.814, detrás de OpenDataLoader (0.860) y PDFium (0.838).
Original y resultado
Ecuaciones mostradas con fracciones, sumas, exponentes y subíndices; letras griegas en texto continuo; derivaciones al estilo teorema en el apéndice.
Descargar fuente PDF Descargar la muestra EPUB
Cuándo mantener el PDF
Si las ecuaciones son el punto del documento, mantén el PDF para leerlas. El EPUB es útil para la prosa a su alrededor (introducción, discusión, trabajo relacionado), que se refluye y se une a través de las páginas correctamente.
La salida de MathML no está planeada para la primera versión; cuando exista, este caso será regenerado y la fecha anterior cambiará.
Fuente y licencia
- Documento
- Direct Preference Optimization paper (arXiv 2305.18290)
- Licencia
- CC BY 4.0
- Páginas
- 27
- Características
- texto PDF, una columna, fórmulas, notas al pie, artículo académico
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.
Configuraciones utilizadas
- Motor: EpubCC motor en commit 3b74b26, el binario que generó las imágenes y la muestra (2026-11-04).
- Páginas: todo el documento para las figuras; páginas 4–5 para las imágenes y la muestra EPUB.
- Cifras de referencia: una ejecución del 2026-11-04 con el mismo binario, cada motor sobre todo el documento; este documento aún no forma parte de la referencia publicada.
- Opciones: ninguna. El motor no tiene configuraciones por documento aún; los mismos valores predeterminados se aplican a cada archivo.
Validación y resultados
EPUBCheck EPUBCheck en nuestro EPUB: 0 errores, 0 advertencias.
EPUBCheck 5.4.0 en la muestra descargable: 0 errores, 0 advertencias (verificado el 2026-11-04).
- Páginas
- 27
- Tiempo
- 0.15 s
- Memoria máxima
- 63 MB
- Capítulos
- 11, de los encabezados del documento
- Notas al pie encontradas
- 7, 6 vinculadas
- Ecuaciones convertidas a MathML
- 0
- Advertencias de calidad
- ninguno
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- Las ecuaciones mostradas se escriben como texto plano en el orden en que PDF las dibuja: las barras de fracción desaparecen, los numeradores y denominadores caen en líneas separadas y el número de ecuación deriva («r(x, y) = β log + β log Z(x). (5) π ref (y | x)»).
- Los subíndices se escriben en línea con un espacio (π ref, π θ) en lugar de como subíndices; algunos superíndices se mantienen (π^SFT).
- Sin MathML: una aplicación de lectura no puede renderizar ni leer las fórmulas en voz alta.
- OpenDataLoader (0.860), PDFium (0.838) y pdftotext (0.827) tienen una mayor recuperación de 8-gramas que nuestro motor (0.814); la referencia omite ecuaciones, por lo que esto mide la prosa.
- El título de la muestra salió como «4 Optimización de Preferencia Directa» (el primer encabezado de las páginas convertidas), no el título del artículo.