EpubCCKonvertering av et papir fullt av ligninger til EPUB
Oppdatert:
Ligninger er det svake punktet: EpubCC motoren beholder prosaen og enkle inline-symboler, men visuelle ligninger med brøker, summeringer og subskrift kommer ut som forvirret ren tekst, fordi den ikke bygger MathML ennå. På DPO-papiret (arXiv, CC BY 4.0) er vår 8-gram tilbakekall 0.814, bak OpenDataLoader (0.860) og PDFium (0.838).
Opprinnelig og resultat
Visningslikninger med brøker, summer, eksponenter og indeks; greske bokstaver i løpende tekst; teorem-stil utledninger i appendikset.
Last ned kilde PDF Last ned prøven EPUB
Når du skal beholde PDF
Hvis ligningene er poenget med dokumentet, behold PDF for å lese dem. EPUB er nyttig for prosateksten rundt dem (introduksjon, diskusjon, relatert arbeid), som flyter og slår sammen over sider på riktig måte.
MathML-utgang er ikke planlagt for den første versjonen; når det eksisterer vil dette tilfellet bli regenerert og datoen over vil endres.
Kilde og lisens
- Dokument
- Direct Preference Optimization paper (arXiv 2305.18290)
- Lisens
- CC BY 4.0
- Sider
- 27
- Egenskaper
- tekst PDF, én kolonne, formler, fotnoter, akademisk artikkel
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.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 4–5 for bildene og prøve EPUB.
- Benchmarkfigurer: et løp fra 2026-11-04 med samme binære, hver motor på hele dokumentet; dette dokumentet er ikke enda en del av den publiserte benchmark.
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 27
- Tid
- 0.15 s
- Maksimal minne
- 63 MB
- Kapitler
- 11, fra oppgavens overskrifter
- Fotnoter funnet
- 7, 6 lenket
- Ligninger konvertert til MathML
- 0
- Kvalitetsvarsler
- ingen
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- Visningslikninger skrives som ren tekst i den rekkefølgen PDF skriver dem: brøkstrekene forsvinner, tellerne og nevnerne kommer på separate linjer, og likningstallet driver («r(x, y) = β log + β log Z(x). (5) π ref (y | x)»).
- Underskrifter skrives inline med et mellomrom (π ref, π θ) i stedet for som underskrifter; noen overoverskrifter beholdes (π^SFT).
- Ingen MathML: en leseapp kan ikke gjengi eller lese formlene høyt.
- OpenDataLoader (0.860), PDFium (0.838) og pdftotext (0.827) har en høyere 8-gram tilbakekalling enn vår motor (0.814); referansen hopper over ligninger, så dette måler prosateksten.
- Prøvesamlingens tittel kom ut som «4 Direkte Preferanseoptimalisering» (den første overskriften på de konverterte sidene), ikke papirens tittel.