EpubCCConvertendo um artigo cheio de equações para EPUB
Atualizado:
Equações são o ponto fraco: o motor EpubCC mantém a prosa e símbolos simples em linha, mas equações de exibição com frações, somas e subscritos aparecem como texto plano embaralhado, pois ainda não constrói MathML. No artigo DPO (arXiv, CC BY 4.0), nossa recuperação de 8-gramas é 0.814, atrás de OpenDataLoader (0.860) e PDFium (0.838).
Original e resultado
Equações de exibição com frações, somas, expoentes e subscritos; letras gregas em texto corrido; derivações em estilo teorema no apêndice.
Baixar fonte PDF Baixar a amostra EPUB
Quando manter o PDF
Se as equações forem o ponto do documento, mantenha o PDF para lê-las. O EPUB é útil para a prosa ao redor delas (introdução, discussão, trabalhos relacionados), que se reorganiza e se une corretamente entre as páginas.
A saída de MathML não está planejada para a primeira versão; quando existir, este caso será regenerado e a data acima mudará.
Fonte e licença
- Documento
- Direct Preference Optimization paper (arXiv 2305.18290)
- Licença
- CC BY 4.0
- Páginas
- 27
- Características
- texto PDF, uma coluna, fórmulas, notas de rodapé, artigo acadêmico
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.
Configurações usadas
- Engine: EpubCC engine no commit 3b74b26, o binário que gerou as imagens e o exemplo (2026-11-04).
- Páginas: o documento completo para as figuras; páginas 4–5 para as imagens e a amostra EPUB.
- Figuras de referência: uma execução de 2026-11-04 com o mesmo binário, cada mecanismo em todo o documento; este documento ainda não faz parte do benchmark publicado.
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
EPUBCheck 5.4.0 na amostra disponível para download: 0 erros, 0 avisos (verificado em 2026-11-04).
- Páginas
- 27
- Tempo
- 0.15 s
- Memória máxima
- 63 MB
- Capítulos
- 11, dos cabeçalhos do trabalho
- Rodapés encontrados
- 7, 6 ligadas
- Equações convertidas para MathML
- 0
- Advertências de qualidade
- nenhum
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- Equações de exibição são escritas como texto simples na ordem em que PDF as desenha: barras de fração desaparecem, numeradores e denominadores ficam em linhas separadas, e o número da equação flutua («r(x, y) = β log + β log Z(x). (5) π ref (y | x)»).
- Subscritos são escritos em linha com um espaço (π ref, π θ) em vez de como subscritos; alguns sobrescritos são mantidos (π^SFT).
- Sem MathML: um aplicativo de leitura não pode renderizar ou ler as fórmulas em voz alta.
- OpenDataLoader (0.860), PDFium (0.838) e pdftotext (0.827) têm uma recuperação de 8-gramas maior do que nosso motor (0.814); a referência ignora equações, então isso mede a prosa.
- O título da amostra saiu como «4 Otimização de Preferência Direta» (a primeira cabeça das páginas convertidas), não o título do artigo.