EpubCCConversia unei lucrări cu două coloane la EPUB
Actualizat:
Lucrările cu două coloane se întrerup când un converter citește direct peste ambele coloane. Pe lucrarea OLMo (arXiv, CC BY 4.0) motorul EpubCC menține coloanele separate, dar extragerea textului pdf_oxide are un scor mai mare de continuitate pentru acest document.
Original și rezultat
Două coloane pe pagină, tabele, figuri și note de subsol. Citirea prin spațiul dintre coloane amestecă două propoziții nerelevante pe fiecare linie.
Descarcă sursa PDF Descarcă eșantionul EPUB
Sursă și licență
- Document
- OLMo paper (arXiv 2402.00838)
- Licență
- CC BY 4.0
- Pagini
- 21
- Trăsături
- text PDF, două coloane, tabele, note de subsol, figuri, articol academic
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.
Setări utilizate
- Motor: EpubCC motor, build din 2026-11-03 (cel măsurat în benchmark).
- Pagini: întregul document.
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
| Motor | recall 8-gram |
|---|---|
| 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 |
Limitări observate
- pdf_oxide extract_text are un recall de 8-gram mai mare decât motorul nostru pe acest document.
- Tabelele sunt scrise ca text în ordinea citirii; nu sunt reconstruite ca tabele.