清华大学学位论文模板thuthesis中caption首行缩进设置技巧
在学术论文写作中,图表的标题格式规范尤为重要。清华大学学位论文模板thuthesis作为国内广泛使用的LaTeX模板,其caption(图表标题)的格式设置是许多用户关注的重点。本文将详细介绍如何在thuthesis中实现caption的首行缩进效果,特别是针对带星号的caption*命令的特殊处理。
caption缩进的常见需求
在学术论文写作规范中,图表标题通常需要首行缩进两个字符。thuthesis模板默认的caption格式可能不符合这一要求,特别是当使用\caption*{}命令时,这种不带编号的标题格式更需要特别注意缩进问题。
解决方案一:全局设置法
第一种方法是通过\captionsetup命令全局设置caption的缩进:
\captionsetup{margin={\parindent,},indention=-\parindent}
这种方法会统一调整所有caption的缩进格式,包括带编号和不带编号的caption。它的优点是设置简单,一次性解决所有caption的格式问题。
解决方案二:自定义格式法
第二种方法是定义自定义的caption格式:
\DeclareCaptionFormat{thu}{\qquad #1#2#3}
\captionsetup{format=thu}
这里\qquad代表两个字符的缩进。这种方法同样会影响所有caption,包括带编号的\caption{}和不带编号的\caption*{}。
针对性解决方案:局部设置法
如果只需要对特定的\caption*{}设置缩进,而不影响其他caption,可以采用局部设置的方式:
\captionsetup{format=thu}
\caption*{这里是图注内容}
\captionsetup{format=plain} % 恢复默认格式
这种方法在需要缩进的\caption*{}前临时设置格式,使用后立即恢复默认格式,确保不影响其他caption的显示。
注意事项
-
缩进量的精确控制:
\qquad产生约2个汉字的缩进,如需精确控制,可以使用\hspace{2em}等命令。 -
格式一致性:建议在整篇论文中保持caption缩进格式的统一,要么全部缩进,要么全部不缩进。
-
模板更新影响:thuthesis模板更新时可能会修改默认的caption格式,建议将相关设置放在独立的样式文件中,便于维护。
通过以上方法,用户可以灵活地控制thuthesis模板中caption的缩进格式,满足不同学校或期刊的排版要求。在实际应用中,建议根据具体需求选择最适合的解决方案,并保持整篇论文格式的一致性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00