Typst幻灯片框架Touying 0.6.1版本发布:集成Theorion数学定理环境
Typst作为新一代科技文档排版系统,其生态正在快速发展。Touying作为Typst生态中的专业幻灯片制作框架,在0.6.1版本中迎来了一个重要更新——正式集成Theorion数学定理环境包,为学术演示提供了更专业的数学内容支持。
Touying框架与Theorion包简介
Touying是Typst生态中专注于演示文稿制作的框架,它继承了Typst简洁高效的特性,同时提供了丰富的幻灯片特效和布局功能。在学术和技术领域,数学定理、证明等内容是演示文稿的重要组成部分。为此,0.6.1版本选择集成Theorion包作为默认的数学定理环境解决方案。
Theorion是一个专为Typst设计的数学定理环境包,它提供了完整的定理、引理、证明等学术环境支持,具有高度可定制性和多语言特性。此次集成使得Touying用户在制作学术演示时能够获得更专业的数学内容排版体验。
Theorion的核心特性
多样化的预设样式
Theorion提供了四种开箱即用的样式主题:
- 简约风格:干净简洁的默认样式
- 彩虹风格:色彩鲜艳的视觉效果
- 云朵风格:柔和优雅的设计
- 精美风格:专业精致的学术排版
这些预设样式可以直接应用于Touying幻灯片中,满足不同场景下的演示需求。
高度可定制的环境
Theorion允许用户通过多种方式自定义定理环境:
- 自定义计数器与编号样式
- 可配置的继承层级结构
- 创建自定义定理环境类型
- 自定义渲染函数实现特殊效果
这种灵活性使得学术演示能够保持与论文或技术文档一致的排版风格。
完整的学术环境支持
除了基本的theorem环境外,Theorion还内置了丰富的学术环境预设:
- 定义(definition)
- 引理(lemma)
- 推论(corollary)
- 示例(example)
- 证明(proof)
这些环境都支持完整的标签和引用系统,方便在演示中进行交叉引用。
在Touying中的使用示例
在Touying幻灯片中使用Theorion非常简单。首先导入必要的包和样式:
#import "@preview/theorion:0.3.0": *
#import cosmos.fancy: *
#show: show-theorion
然后就可以在幻灯片中直接使用定理环境:
#theorem(title: "欧几里得定理")[
存在无限多个素数。
] <thm:euclid>
对于不需要编号的定理,可以使用theorem-box环境:
#theorem-box(title: "无编号定理", outlined: false)[
这个定理没有编号。
]
高级功能与应用
定理重述
在长篇演示中,有时需要重述重要定理。Theorion提供了方便的定理重述功能:
#theorion-restate(filter: it => it.outlined and it.identifier == "theorem")
定理目录
对于包含大量数学内容的演示,可以生成定理目录:
#theorion-toc()
动画支持
作为Touying的集成组件,Theorion完美支持Touying的动画特性,可以实现定理内容的逐步显示等效果。
版本升级建议
对于已经使用Touying制作学术演示的用户,0.6.1版本提供了平滑的迁移路径。建议用户:
- 更新Touying到0.6.1版本
- 导入Theorion包并选择合适的样式
- 将原有的数学环境逐步迁移到Theorion格式
- 利用新的标签系统改进演示中的引用
结语
Touying 0.6.1版本通过集成Theorion包,显著提升了在学术和技术演示中的数学内容表达能力。这一更新使得Typst生态系统在学术演示领域更加完善,为科研工作者和教育工作者提供了更加强大的工具。随着Typst生态的不断发展,我们可以期待Touying框架在未来带来更多专业级的演示功能。
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