EpubCCEen paper vol vergelijkingen naar EPUB converteren
Bijgewerkt:
Vergelijkingen zijn het zwakke punt: de EpubCC engine behoudt de proza en eenvoudige inline symbolen, maar weergegeven vergelijkingen met breuken, sommen en subscripts komen eruit als verknipte platte tekst, omdat het nog geen MathML bouwt. Op het DPO-document (arXiv, CC BY 4.0) is onze 8-gram recall 0.814, achter OpenDataLoader (0.860) en PDFium (0.838).
Origineel en resultaat
Weergavevergelijkingen met fracties, sommen, exponenten en subscripties; Griekse letters in doorlopende tekst; stellingen-stijl afleidingen in de bijlage.
Download bron PDF Download het voorbeeld EPUB
Wanneer je de PDF moet behouden
Als de vergelijkingen de kern van het document zijn, houd dan de PDF om ze te lezen. De EPUB is nuttig voor de proza rondom (inleiding, discussie, gerelateerd werk), die correct doorbladeren en over pagina's heen samenvoegen.
MathML-uitvoer is niet gepland voor de eerste versie; wanneer het bestaat, zal dit geval worden geregenereerd en de datum hierboven zal veranderen.
Bron en licentie
- Document
- Direct Preference Optimization paper (arXiv 2305.18290)
- Licentie
- CC BY 4.0
- Pagina's
- 27
- Eigenschappen
- tekst PDF, één kolom, formules, voetnoten, academisch paper
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.
Gebruikte instellingen
- Engine: EpubCC engine bij commit 3b74b26, het binaire dat de afbeeldingen en de sample heeft gegenereerd (2026-11-04).
- Pagina's: het hele document voor de figuren; pagina's 4–5 voor de afbeeldingen en het voorbeeld EPUB.
- Benchmarkcijfers: een run van 2026-11-04 met dezelfde binary, elke engine op het hele document; dit document is nog geen onderdeel van de gepubliceerde benchmark.
- Opties: geen. De engine heeft nog geen instellingen per document; dezelfde standaardinstellingen zijn van toepassing op elk bestand.
Validatie en resultaten
EPUBCheck EPUBCheck op onze EPUB: 0 fouten, 0 waarschuwingen.
EPUBCheck 5.4.0 op het downloadbare monster: 0 fouten, 0 waarschuwingen (gecontroleerd 2026-11-04).
- Pagina's
- 27
- Tijd
- 0.15 s
- Piekgeheugen
- 63 MB
- Hoofdstukken
- 11, van de koppen van het paper
- Gevonden voetnoten
- 7, 6 gekoppeld
- Vergelijkingen geconverteerd naar MathML
- 0
- Kwaliteitswaarschuwingen
- geen
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Beperkingen die we hebben waargenomen
- Weergavevergelijkingen worden als platte tekst geschreven in de volgorde waarin de PDF ze tekent: fractiebars verdwijnen, tellers en noemers komen op aparte regels, en het verg alwaysinummer drijft «r(x, y) = β log + β log Z(x). (5) π ref (y | x)».
- Subscripts worden inline geschreven met een spatie (π ref, π θ) in plaats van als subscripts; sommige superscripts worden behouden (π^SFT).
- Geen MathML: een lees-app kan de formules niet renderen of hardop voorlezen.
- OpenDataLoader (0.860), PDFium (0.838) en pdftotext (0.827) hebben een hogere 8-gram recall dan onze engine (0.814); de referentie slaat vergelijkingen over, dus dit meet de tekst.
- De titel van het voorbeeld kwam eruit als «4 Direct Preference Optimization» (de eerste kop van de omgezette pagina's), niet de titel van het artikel.