LaTeX3 l3draw模块中路径转角圆弧功能的改进
在LaTeX3的绘图模块l3draw中,路径转角圆弧功能\draw_path_corner_arc:nn最近得到了重要改进,使其参数处理方式与其他绘图函数保持一致,提升了模块内部的一致性和用户友好性。
背景与问题
在LaTeX3的绘图系统中,l3draw模块提供了丰富的绘图功能。其中,\draw_path_corner_arc:nn函数用于设置路径转角处的圆弧半径,它接受两个参数分别表示x方向和y方向的圆弧半径。
在改进前,该函数直接使用\dim_set:Nn来设置内部尺寸变量,这意味着它只能接受严格的长度值作为输入。然而,l3draw模块中其他类似功能(如\draw_baseline:n和\draw_linewidth:n)都使用了\fp_to_dim:n来转换输入参数,允许用户使用浮点表达式作为输入。
技术实现差异
改进前的实现方式:
\cs_new_protected:Npn \draw_path_corner_arc:nn #1#2
{
\dim_set:Nn \l_@@_corner_xarc_dim {#1}
\dim_set:Nn \l_@@_corner_yarc_dim {#2}
...
}
改进后的实现方式:
\cs_new_protected:Npn \draw_path_corner_arc:nn #1#2
{
\dim_set:Nn \l_@@_corner_xarc_dim { \fp_to_dim:n {#1} }
\dim_set:Nn \l_@@_corner_yarc_dim { \fp_to_dim:n {#2} }
...
}
改进的意义
-
一致性增强:使
\draw_path_corner_arc:nn的参数处理方式与模块中其他函数保持一致,减少用户的学习成本。 -
灵活性提升:现在用户可以使用浮点表达式作为参数,例如可以写
\draw_path_corner_arc:nn {2*3pt} {1.5\baselineskip}而不仅仅是固定的长度值。 -
文档准确性:虽然文档中一直将参数描述为
⟨length⟩,但实际上现在可以接受更广泛的表达式形式,这与模块中其他函数的实际行为更加一致。
技术细节
\fp_to_dim:n是LaTeX3中一个重要的类型转换函数,它能够:
- 解析浮点表达式
- 处理包含单位(pt, mm, cm等)的数值
- 执行基本的算术运算
- 最终转换为精确的长度值
这种转换在绘图系统中特别有用,因为用户经常需要基于现有尺寸进行计算,例如设置圆弧半径为线宽的两倍等。
对用户的影响
这一改进对现有代码完全向后兼容,所有原来有效的代码仍然有效。同时,它为用户提供了更大的灵活性:
% 现在可以这样使用
\draw_path_corner_arc:nn {2*\l_my_dim} {3pt + 0.5cm}
而不必预先计算这些表达式的结果。
结论
LaTeX3开发团队对l3draw模块的这一改进体现了他们对代码一致性和用户体验的重视。虽然这是一个内部实现的细节变化,但它使得整个绘图系统的行为更加统一和可预测,同时也为用户提供了更大的灵活性。这种改进是LaTeX3不断演进和完善的一个典型例子,展示了现代TeX系统对开发者友好性的关注。
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-1.5暂无简介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