EpubCCMuuntaminen kaksikolumnisesta paperista EPUB:ksi
Päivitetty:
Kaksisarakkeiset asiakirjat katkeavat, kun muunnin lukee suoraan molemmista sarakkeista. OLMo-paperilla (arXiv, CC BY 4.0) EpubCC moottori pitää sarakkeet eristyksissä, mutta pdf_oxide:n extract_text saa korkeammat pisteet jatkuvuudesta tälle asiakirjalle.
Alkuperäinen ja tulos
Kaksi saraketta sivua kohden, taulukot, kuvat ja alaviitteet. Lukeminen sarakkeiden aukon yli sekoittaa kahta toisiinsa liittymätöntä lausetta jokaisella rivillä.
Lataa lähde PDF Lataa näyte EPUB
Lähde ja lisenssi
- Dokumentti
- OLMo paper (arXiv 2402.00838)
- Lisenssi
- CC BY 4.0
- Sivut
- 21
- Ominaisuudet
- teksti PDF, kaksi saraketta, taulukot, jalkaviitteet, kuvat, tieteellinen julkaisu
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.
Käytetyt asetukset
- Moottori: EpubCC moottori, kokoelma 2026-11-03 (se, jonka osalta mittaus tehtiin tietyssä benchmarkissa).
- Sivut: koko asiakirja.
- Valinnat: ei mitään. Moottorilla ei vielä ole asiakirjakohtaisia asetuksia; samat oletusasetukset pätevät kaikkiin tiedostoihin.
Validointi ja tulokset
EPUBCheck EPUBCheck meidän EPUB: 0 virheitä, 0 varoituksia.
| Moottori | 8-grammin muistaminen |
|---|---|
| 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 |
Havaittuja rajoituksia
- pdf_oxide extract_textilla on korkeampi 8-grammuisto kuin moottorimme tässä asiakirjassa.
- Taulukot kirjoitetaan tekstinä lukujärjestyksessä; niitä ei rakenneta taulukoina uudelleen.