Thuthesis 论文模板目录行距调整指南
清华大学学位论文 LaTeX 模板 Thuthesis 近期针对目录格式进行了重要更新,主要解决了章标题行距与学校最新规范不一致的问题。本文将详细介绍这一技术改进的背景、实现方案以及用户如何应用这一更新。
问题背景
清华大学研究生院在2023年9月对学位论文格式进行了细微调整,其中目录部分的章标题行距要求从原来的"段前3磅"修改为"固定20磅"。这一变更虽然看似微小,但对论文格式的规范性有着重要影响。
Thuthesis 模板原有的目录样式基于2023年3月版的规范实现,导致使用最新模板生成的目录与学校要求存在视觉差异。具体表现为章标题之间的垂直间距明显大于规定值。
技术解决方案
开发团队通过分析 Word 模板和 LaTeX 生成效果,确定了以下技术实现方案:
-
目录间距调整:修改了
thuthesis.cls文件中关于目录格式的定义,特别是titlecontents命令的参数设置。 -
层级间距优化:不仅调整了章标题(
chapter)的间距,还同步优化了节标题(section)和小节标题(subsection)的间距,确保整体目录结构的协调性。
关键修改包括:
- 将章标题的
addvspace值从原来的较大值调整为更精确的0.5bp - 保持节标题和小节标题的适当间距比例
- 确保不同层级标题之间的视觉层次清晰
用户应用指南
对于使用 Thuthesis 模板的用户,可以采用以下方式应用这一更新:
-
更新模板:获取最新版本的 Thuthesis 模板,确保包含提交
ff9f197之后的修改。 -
手动调整:如果暂时无法更新完整模板,可以手动修改
thuthesis.cls文件中的相关部分,调整titlecontents命令的参数设置。 -
效果验证:生成 PDF 后,建议与学校提供的 Word 模板进行视觉对比,确保格式完全符合要求。
版本更新说明
这一改进已包含在 Thuthesis 7.5.0 版本中。用户升级到该版本后即可自动获得符合最新规范的目录格式。对于仍在使用旧版本的用户,建议尽快升级以获得最佳的格式兼容性。
总结
Thuthesis 模板持续跟进学校格式规范的更新,确保用户能够便捷地生成完全符合要求的学位论文。本次目录行距的调整虽然是一个细节优化,但体现了开发团队对格式规范严谨性的重视。建议所有用户关注模板的更新,以获得最佳的排版效果和使用体验。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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