EpubCCKonvertering af et to-spaltet papir til EPUB
Opdateret:
To-kolonne papirer går i stykker, når en konverter læser lige hen over begge kolonner. På OLMo-papiret (arXiv, CC BY 4.0) holder EpubCC motoren kolonnerne adskilt, men pdf_oxide's extract_text scorer højere på kontinuitet for dette dokument.
Original og resultat
To kolonner pr. side, tabeller, figurer og fodnoter. Læsning hen over kolonnens mellemrum blander to ikke-relaterede sætninger på hver linje.
Download kilde PDF Download prøve EPUB
Kilde og licens
- Dokument
- OLMo paper (arXiv 2402.00838)
- Licens
- CC BY 4.0
- Sider
- 21
- Egenskaber
- tekst PDF, to kolonner, tabeller, fodnoter, figurer, akademisk artikel
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.
Brugte indstillinger
- Motor: EpubCC motor, build fra 2026-11-03 (den der måles i benchmarket).
- Sider: hele dokumentet.
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
| Motor | 8-gram tilbagekaldelse |
|---|---|
| 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 |
Begrænsninger vi har observeret
- pdf_oxide extract_text har en højere 8-gram tilbagekaldelse end vores motor på dette dokument.
- Tabeller skrives som tekst i læseorden; de genopbygges ikke som tabeller.