Thuthesis模板附录参考文献显示异常问题解析与解决方案
清华大学学位论文LaTeX模板Thuthesis在7.4.0版本中存在一个关于附录参考文献显示的技术问题,本文将深入分析该问题的成因并提供完整的解决方案。
问题现象
用户在使用Thuthesis 7.4.0版本模板时,发现附录中的参考文献索引显示为"[?]",且附录部分的参考文献列表未能正确生成。这一问题在模板自带的示例文件thuthesis-example.pdf中同样存在。
问题根源分析
经过技术团队排查,该问题主要源于以下几个方面:
-
编译流程不完整:传统的xelatex->bibtex->xelatex->xelatex编译流程无法正确处理Thuthesis模板中复杂的参考文献结构。
-
版本配置问题:GitHub Release页面提供的7.4.0版本预编译文件可能存在某些配置上的偏差。
-
参考文献处理机制:Thuthesis采用了特殊的参考文献处理方式,需要完整的编译链才能正确处理附录中的引用。
完整解决方案
推荐解决方案
-
获取最新源码:建议直接从项目主分支获取最新代码,而非使用Release页面提供的预编译版本。
-
生成.cls文件:使用xetex引擎编译thuthesis.ins文件,生成最新的.cls样式文件。
-
完整编译流程:使用latexmk工具配合xelatex引擎进行完整编译:
latexmk -xelatex thuthesis-example.tex
替代方案说明
对于无法使用latexmk的环境,可以采用以下手动编译流程:
- xelatex thuthesis-example.tex
- bibtex thuthesis-example.aux
- bibtex appendix/appendix.aux
- xelatex thuthesis-example.tex
- xelatex thuthesis-example.tex
注意:手动编译流程较为复杂且容易出错,强烈建议使用latexmk工具。
技术背景
Thuthesis模板采用了先进的参考文献处理机制:
-
多文献分区:主文档和附录使用独立的参考文献分区,需要分别处理。
-
交叉引用解析:需要多次编译才能正确解析所有交叉引用关系。
-
自动化工具依赖:latexmk能够自动判断所需的编译次数和顺序,确保所有引用和文献列表正确生成。
最佳实践建议
-
始终使用项目主分支的最新代码,而非Release版本。
-
建立标准化的编译环境,推荐配置latexmk工具。
-
在团队协作中,统一编译工具和流程,避免因环境差异导致的问题。
-
对于复杂文档,考虑使用持续集成(CI)环境来自动化编译过程。
结语
Thuthesis作为清华大学官方推荐的学位论文模板,其功能完整但编译流程相对复杂。理解其背后的技术原理并采用正确的编译方法,可以有效避免类似附录参考文献显示异常的问题。目前该问题已在项目主分支中修复,建议用户及时更新代码库。
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