EpubCCKonvertering av et to-kolon papir til EPUB
Oppdatert:
Tokolonneartikler bryter når en konverter leser i begge kolonnene samtidig. På OLMo-papiret (arXiv, CC BY 4.0) holder EpubCC motoren kolonnene adskilt, men pdf_oxide's extract_text scorer høyere på kontinuitet for dette dokumentet.
Opprinnelig og resultat
To kolonner per side, tabeller, figurer og fotnoter. Å lese på tvers av kolonnegapet blandes to urelaterte setninger på hver linje.
Last ned kilde PDF Last ned prøven EPUB
Kilde og lisens
- Dokument
- OLMo paper (arXiv 2402.00838)
- Lisens
- CC BY 4.0
- Sider
- 21
- Egenskaper
- tekst PDF, to kolonner, tabeller, fotnoter, figurer, akademisk artikkel
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.
Innstillinger brukt
- Motor: EpubCC motor, bygge av 2026-11-03 (den som ble målt i benchmark).
- Sider: hele dokumentet.
- 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.
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- pdf_oxide extract_text har en høyere 8-gram recall enn vår motor på dette dokumentet.
- Tabeller skrives som tekst i leseretning; de gjenoppbygges ikke som tabeller.