LaTeX2e项目中的supertabular与array包兼容性问题分析
问题背景
在LaTeX2e项目的最新版本中,用户发现当同时加载supertabular和array两个包时,系统会抛出"! Extra }, or forgotten \endgroup."的错误提示。这个问题出现在2025年6月发布的LaTeX2e版本中,主要影响使用supertabular环境配合p列格式的用户。
技术分析
supertabular包是一个用于处理跨页长表格的LaTeX扩展包,它通过修改LaTeX内核的内部机制来实现其功能。而array包则提供了对表格列格式的增强支持。在最新版本的LaTeX2e中,内核的表格处理机制发生了变化,特别是@pbox相关的内部命令结构有所调整。
问题的根源在于supertabular包对LaTeX内核的修改方式未能跟上内核的变化。具体来说,supertabular包试图修改的\@startpbox相关命令在新版本中已被重构为\@startpbox@action机制,导致包中的补丁代码无法正确工作。
解决方案
LaTeX开发团队的技术专家提出了一个临时解决方案,通过钩子机制来正确设置和恢复pbox相关的动作命令:
\makeatletter
\AddToHook{cmd/x@supertabular/after}{
\let\orig@startpbox@action\@startpbox@action
\let\@startpbox@action\@startpbox
}
\AddToHook{cmd/ST@restore/after}{
\let\@startpbox@action\orig@startpbox@action
}
\makeatother
这个解决方案的关键点在于:
- 在supertabular环境开始时保存原始pbox动作命令
- 临时替换为supertabular需要的命令
- 在环境结束时恢复原始命令
最佳实践建议
对于遇到此问题的用户,建议采取以下步骤:
- 首先确认是否真的需要同时使用supertabular和array包
- 如果必须使用,可以暂时采用上述解决方案
- 关注supertabular包的更新,等待官方修复
- 在开发自己的LaTeX文档时,考虑使用更现代的替代方案如longtable或tabularray等包
技术启示
这个案例展示了LaTeX生态系统中的一个常见挑战:当内核更新时,依赖于内核内部实现的包可能会出现问题。对于包开发者而言,应当:
- 尽量避免直接修改内核内部命令
- 使用官方提供的API和扩展机制
- 在开发过程中关注LaTeX开发团队的测试版本
- 为包提供明确的维护者联系信息
对于用户而言,遇到类似问题时,可以通过LaTeX的测试版本提前发现问题,并在正式版本发布前报告给相关包的维护者。
结论
LaTeX2e的持续发展带来了许多改进,但也不可避免地会与一些老旧的包产生兼容性问题。supertabular与array包的冲突问题就是一个典型案例。通过理解问题的技术本质和应用适当的解决方案,用户可以继续使用这些功能,同时期待包维护者发布更持久的修复方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07