EpubCCKonverze dvousloupcového dokumentu na EPUB
Aktualizováno:
Dvoust栏kové dokumenty se rozbíjí, když převodník čte přímo přes obě sloupce. Na papíře OLMo (arXiv, CC BY 4.0) motor EpubCC udržuje sloupce oddělené, ale pdf_oxide's extract_text získává vyšší skóre za kontinuitu pro tento dokument.
Původní a výsledek
Dva sloupce na stránku, tabulky, obrázky a poznámky pod čarou. Čtení přes mezeru ve sloupcích míchá dvě nesouvisející věty na každém řádku.
Stáhnout zdroj PDF Stáhnout ukázku EPUB
Zdroj a licence
- Dokument
- OLMo paper (arXiv 2402.00838)
- Licence
- CC BY 4.0
- Stránky
- 21
- Vlastnosti
- text PDF, dva sloupce, tabulky, poznámky pod čarou, obrázky, akademický článek
Groeneveld et al., “OLMo: Accelerating the Science of Language Models”, arXiv:2402.00838v4, licensed CC BY 4.0. Pages shown unmodified; the EPUB is our conversion.
Použité nastavení
- Motor: EpubCC motor, build z 2026-11-03 (ten, který byl měřen v benchmarku).
- Strany: celý dokument.
- Možnosti: žádné. Engine zatím nemá nastavení pro každý dokument; stejné výchozí hodnoty platí pro každý soubor.
Ověření a výsledky
EPUBCheck EPUBCheck na našem EPUB: 0 chyby, 0 upozornění.
| Stroj | 8-gramová recall |
|---|---|
| EpubCC engine (EPUB output) | 0.893 |
| EpubCC engine (plain text) | 0.891 |
| pdf_oxide · extract_text | 0.854 |
| pdf_oxide · to_plain_text (XY-cut) | 0.273 |
| pdf_oxide · Markdown | 0.719 |
| PDFium · text().all() | 0.761 |
| OpenDataLoader PDF (local mode) | 0.820 |
| pdftotext (Poppler) | 0.781 |
| Calibre · ebook-convert (EPUB output) | 0.640 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.892 |
Omezení, která jsme pozorovali
- pdf_oxide extract_text má vyšší 8-gram recall než náš engine na tomto dokumentu.
- Tabulky jsou psány jako text v pořadí čtení; nejsou rekonstruovány jako tabulky.