在thuthesis中使用newcm数学字体时解决\mathbb未定义问题
thuthesis作为清华大学学位论文的LaTeX模板,提供了多种数学字体选项以满足不同用户的需求。其中,newcm是一种基于Computer Modern字体的数学字体方案,但在实际使用过程中,用户可能会遇到\mathbb命令未定义的问题。
问题现象
当用户在thuthesis模板中设置math-font为newcm时,尝试使用\mathbb命令(如\mathbb{R})会触发"Undefined control sequence"错误。这是因为newcm字体包默认没有提供\mathbb符号的实现。
解决方案
方法一:正确设置math-font选项
首先需要确保正确设置math-font选项。根据thuthesis的设计,math-font应通过\thusetup命令在导言区设置,而非直接作为\documentclass的参数:
\documentclass{thuthesis}
\thusetup{math-font = newcm}
\begin{document}
$\mathbb{R}$
\end{document}
方法二:引入amssymb包
如果仍然需要\mathbb符号,可以显式加载amssymb包:
\documentclass{thuthesis}
\thusetup{math-font = newcm}
\usepackage{amssymb}
\begin{document}
$\mathbb{R}$
\end{document}
虽然thuthesis文档提到unicode-math与amssymb可能存在不兼容性,但在实际使用中,仅用于\mathbb符号的情况下通常不会产生严重问题。
技术背景
-
数学字体系统:LaTeX中的数学字体系统复杂,不同字体包对特殊符号的支持程度不同。newcm作为Computer Modern的现代实现,专注于基础数学符号,而未包含\mathbb这样的黑板粗体符号。
-
\mathbb命令:该命令传统上由amssymb包提供,用于生成数学中表示特殊集合(如实数集R、复数集C等)的黑板粗体符号。
-
兼容性考虑:现代LaTeX排版中,unicode-math逐渐成为数学排版的首选方案,它与传统数学字体包的交互需要特别注意。
最佳实践建议
-
如果项目对数学符号要求不高,建议优先使用thuthesis内置的字体方案。
-
当必须使用\mathbb等特殊符号时,可以先尝试模板提供的方案,再考虑引入额外包。
-
在正式使用前,建议全面测试文档中的所有数学符号显示效果,确保一致性。
通过理解thuthesis的字体机制和LaTeX的数学字体系统,用户可以更灵活地处理类似\mathbb未定义的问题,同时保持文档的整体一致性。
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