LaTeX3内核新增iow_show函数以兼容\showstream机制
在LaTeX3内核开发中,文件I/O处理是一个重要组成部分。近期开发者针对\showstream机制与现有I/O函数的兼容性问题进行了讨论和改进,新增了iow_show系列函数,进一步完善了LaTeX3的调试输出系统。
背景与问题
LaTeX3内核提供了丰富的调试输出函数,如\tl_show:n等,这些函数底层使用TeX原语\tex_showtokens:D,因此能够自动遵循\showstream指定的输出流。然而,现有的\iow_log:n和\iow_term:n函数却直接使用固定的输出流,无法与\showstream机制协同工作。
这种不一致性给高层调试命令的实现带来了困难。例如,在LaTeX2e内核中的\ShowHook命令就因此遇到了实现障碍。
解决方案
开发者提出了新的iow_show系列函数来解决这一问题:
-
核心函数:
\iow_show:n {<tokens>}:将内容输出到当前\showstream指定的流中
-
流控制函数:
\iow_gset_show_stream:N <stream>:设置全局\showstream为指定流\iow_gclear_show_stream::重置\showstream为默认日志流
实现原理
新函数的实现相当简洁高效:
\cs_new_protected:Npn \iow_show:n { \iow_now:Nn \tex_showstream:D }
这一实现直接利用了TeX原语\tex_showstream:D,确保了与现有\showstream机制的完全兼容。
应用示例
以下示例展示了新函数的使用方式:
% 测试辅助函数
\cs_new_protected:Nn \test:n {
\iow_term:n {\iow_newline: ! test iow, #1}
\iow_log:n {iow_log} % 使用固定日志流
\iow_term:n {iow_term} % 使用固定终端流
\tl_show:n {tl_show} % 使用\showstream
\iow_show:n {iow_show} % 使用\showstream
}
% 基本测试
\test:n { default \showstream }
% 设置自定义流
\iow_open:Nn \g_tmpa_iow { teststream }
\iow_gset_show_stream:N \g_tmpa_iow
\test:n { \showstream is set }
\iow_gclear_show_stream:
% 恢复默认
\test:n { default \showstream again }
\iow_close:N \g_tmpa_iow
技术考量
-
流变量设计:没有为
\showstream提供专门的iow流变量,因为初始状态下\showstream的行为类似于\c_log_iow(-1),而关闭的iow变量应该类似于\c_term_iow。 -
命名规范:当前函数命名可能不够优雅,未来可能会考虑引入更通用的流控制函数如
\io(r|w)_gset_eq:NN和\io(r|w)_gclear:N。
实际效果
测试结果表明:
- 默认情况下,
\iow_show:n输出到日志 - 当设置自定义流后,输出会重定向到指定文件
- 重置后恢复默认行为
这种设计使得调试输出更加灵活,特别是在需要将调试信息重定向到特定文件时特别有用。
总结
LaTeX3内核新增的iow_show系列函数填补了现有I/O系统与\showstream机制的兼容性空白,为高层调试命令的实现提供了更好的支持。这一改进体现了LaTeX3内核不断完善的设计理念,也为开发者提供了更强大的调试工具。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00