Thuthesis模板中参考文献著者缩写格式问题解析
清华大学学位论文LaTeX模板Thuthesis在参考文献著者姓名缩写处理上存在与国家标准不完全一致的情况。本文将详细分析该问题产生的原因、技术背景以及解决方案。
问题背景
根据《研究生学位论文写作指南》要求,参考文献中著者姓名缩写应遵循GB/T 28039-2011标准:
- 汉语拼音人名:姓全写,名取每个汉字拼音的首字母
- 欧美著者:名可用缩写字母,省略缩写点
- 中译欧美著者:只著录其姓
- 同姓不同名欧美著者:需著录姓和名的首字母
然而,Thuthesis模板当前实现将所有著者名统一缩写为一个字母,这与标准要求存在差异。
技术原因分析
该问题的技术根源在于BibTeX处理机制的限制:
-
姓名识别困难:BibTeX无法自动判断一个名字是否属于"汉语拼音书写的人名"。外籍华人姓名可能符合拼音格式但不应视为汉语拼音,而某些西方人名(如Fatou、Fubini)也可能被误判。
-
格式处理机制:模板使用的BST文件(thuthesis-numeric.bst)中,姓名格式化函数默认采用单字母缩写方式,这是BibTeX的常见处理方式。
-
多字节字符处理:对于中文拼音姓名,BibTeX难以自动拆分汉字对应的拼音部分进行多字母缩写。
解决方案
方案一:禁用缩写(推荐)
最简单可靠的解决方案是禁用所有缩写,保持姓名完整。这完全符合标准要求,因为标准中缩写是"可选的"而非强制。
修改方法:在BST文件中找到姓名格式化行,修改为:
{ t #1 "{vv~}{ll}{ ff}" format.name$
方案二:手动拆分拼音姓名
如需保持缩写格式,对于中文拼音姓名,可在.bib文件中手动拆分名字:
Zhihao Jia → Zhi Hao, Jia
这样处理后,输出将为"Jia Z H",符合每个汉字取首字母的要求。
方案三:定制姓名处理函数
高级用户可修改BST文件,添加针对拼音姓名的特殊处理逻辑,但这需要较强的BibTeX编程能力,且仍无法完美解决所有边界情况。
实践建议
-
对于大多数用户,推荐采用方案一禁用缩写,既符合标准又简单可靠。
-
如需保持缩写格式,建议:
- 对中文文献作者采用方案二手动处理
- 接受西方作者单字母缩写的现状(实际影响较小)
-
在最终提交前,应人工检查参考文献格式是否符合学校要求。
总结
Thuthesis模板的姓名缩写处理虽然存在与国标的差异,但通过简单配置即可满足要求。用户应根据自身需求选择最适合的解决方案,在格式规范与实现复杂度之间取得平衡。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00