中文GB/T 7714参考文献样式定制指南
在学术写作中,参考文献格式的规范化是确保学术严谨性的重要环节。GB/T 7714是中国国家标准《信息与文献 参考文献著录规则》的编号,广泛应用于中文期刊和学位论文的参考文献著录。本文将详细介绍如何基于002gb-t-7714-2015-numeric-bilingual-no-uppercase-no-url-doi.csl样式进行个性化定制,以满足不同期刊或学位论文的特殊格式要求。
期刊名称加粗处理
在学术写作中,有时需要将期刊名称以加粗形式显示。这可以通过修改CSL样式文件中的container-title变量实现。具体修改方法是在样式文件中找到对应部分,将原有的:
<text variable="container-title"/>
修改为:
<text variable="container-title" font-weight="bold"/>
这一修改将使所有期刊名称在参考文献中以加粗形式呈现,符合某些期刊的特殊格式要求。
学位论文中机构名称的特殊处理
对于学位论文,特别是高级学位论文,有时需要将授予学位的机构名称进行特殊格式处理。在GB/T 7714标准中,机构名称存储在publisher变量中。要实现机构名称加粗,可以在样式文件中进行如下修改:
<choose>
<if type="thesis">
<text variable="publisher" font-weight="bold"/>
</if>
<else>
<text variable="publisher"/>
</else>
</choose>
这种条件判断式的修改确保只有学位论文类型的参考文献中的机构名称会被加粗处理,而其他类型文献的出版社名称保持常规格式。
特殊文本格式的调整
某些学术规范要求特定的文本格式,如斜体处理:
-
et al和"等"的斜体处理
在CSL样式中,可以通过在names元素中添加et-al子元素并设置font-style属性为italic来实现。需要注意的是,中文"等"字通常不建议使用斜体,这是基于中文排版惯例的考虑。 -
期刊名斜体处理
若需要将期刊名称改为斜体,可以将container-title变量包裹在group元素中并设置font-style属性:<group font-style="italic"> <text variable="container-title"/> </group>
格式定制的注意事项
在进行参考文献格式定制时,需要注意以下几点:
- 中文学术写作中,斜体使用应当谨慎,避免过度使用
- 修改样式文件前应当备份原始文件
- 格式修改应当符合目标期刊或学位论文的具体要求
- 同一文档中的格式应当保持一致
通过合理利用CSL样式文件的定制功能,可以灵活地满足各种参考文献格式要求,同时保持学术写作的规范性和一致性。这些定制方法不仅适用于GB/T 7714标准,也可以为其他参考文献格式的调整提供参考。
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