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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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