EpubCCKonvertera ett två kolumners dokument till EPUB
Uppdaterad:
Tvåkolumnspapper bryts när en konverterare läser rakt över båda kolumnerna. På OLMo-pappret (arXiv, CC BY 4.0) håller EpubCC-motorn kolumnerna åtskilda, men pdf_oxide's extract_text får högre poäng för kontinuitet för detta dokument.
Original och resultat
Två kolumner per sida, tabeller, figurer och fotnoter. Att läsa över kolumngapet blandar två orelaterade meningar på varje rad.
Ladda ner källan PDF Ladda ner provet EPUB
Källa och licens
- Dokument
- OLMo paper (arXiv 2402.00838)
- Licens
- CC BY 4.0
- Sidor
- 21
- Egenskaper
- text PDF, två kolumner, tabeller, fotnoter, figurer, akademisk uppsats
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.
Använda inställningar
- Motor: EpubCC motor, bygg av 2026-11-03 (den som mättes i benchmarken).
- Sidor: hela dokumentet.
- Alternativ: inga. Motorn har inga per-dokument-inställningar ännu; samma standardinställningar gäller för varje fil.
Validering och resultat
EPUBCheck EPUBCheck på vår EPUB: 0 fel, 0 varningar.
| Motor | 8-gram återkallande |
|---|---|
| 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 |
Begränsningar vi observerat
- pdf_oxide extract_text har en högre 8-gram återkallning än vår motor på detta dokument.
- Tabeller skrivs som text i läsordning; de återskapas inte som tabeller.