Typora-Latex-Theme 主题自定义指南:字体与标题编号问题解析
侧边栏字体自定义方法
在 Typora-Latex-Theme 主题中,用户经常需要调整侧边栏"文件"和"大纲"的字体样式。需要注意的是,主题中的 --toc-font 和 --toc-font-size 变量控制的是文档内通过 [toc] 生成的目录样式,而非侧边栏。
要修改侧边栏字体,应该调整 CSS 文件中的 --ui-font 变量(通常位于第22行)。这个变量控制着整个用户界面元素的字体显示,包括侧边栏的所有文本内容。开发者可以根据个人喜好设置不同的字体家族和大小,以实现个性化的阅读体验。
标题编号问题的技术分析
主题中存在一个已知的标题编号显示问题,当文档结构不完整时会出现异常:
-
大纲编号异常:当文档缺少一级标题(单个#的标题)时,大纲中的编号会从0开始,与正文显示不一致。这是由于CSS计数器在没有父级标题时无法正确初始化的技术限制。
-
跨级标题编号问题:当标题层级不连续时(如只有#和###,缺少##),CSS的计数器机制会导致编号从0开始。这是因为CSS的计数器是按标题级别独立维护的,无法智能推断缺失层级的默认值。
从技术实现角度看,CSS的计数器系统(counter-reset和counter-increment)功能有限,无法实现复杂的条件判断和自动补全逻辑。即使用first-of-type等选择器也只能解决部分场景的问题,无法保证在所有不规则的标题结构下都能正确编号。
数学公式字体大小调整技巧
对于数学公式的显示问题,主题默认提供了统一的 --math-font-size 变量控制。但用户可能需要更细粒度的控制:
- 行内公式:通常需要较小字号以保持与正文的协调
- 行间公式:通常需要较大字号以突出显示
可以通过修改CSS选择器实现差异化控制:
.md-inline-math .MathJax {
font-size: 0.9em; /* 行内公式调整为正文的0.9倍 */
}
.mathjax-block .MathJax {
font-size: 1.2em; /* 行间公式调整为正文的1.2倍 */
}
这种实现方式利用了Typora为不同类型公式添加的不同class,通过特异性更高的选择器覆盖默认样式。用户可以根据实际显示效果调整具体的倍数参数。
最佳实践建议
-
文档结构规范:保持标题层级的连续性,避免跳过中间级别,这是确保编号正确的关键。
-
样式调整顺序:建议先确定正文字体,再依次调整侧边栏、公式等特殊元素的样式,保持整体协调。
-
测试验证:任何样式修改后,应在不同层级的标题结构和不同类型的公式中测试显示效果。
通过理解这些技术原理和调整方法,用户可以更有效地定制Typora-Latex-Theme主题,打造个性化的Markdown写作环境。
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