XMU-thesis:3步搞定厦门大学论文格式排版
还在为论文格式调整耗费大量时间吗?XMU-thesis是专为厦门大学设计的LaTeX论文模板,帮你自动化处理所有格式问题,让你专注于学术内容创作。
🎯 模板核心价值:为什么你需要XMU-thesis
告别手动调整的烦恼
传统Word排版中,页码错乱、目录更新不及时、图表编号混乱等问题层出不穷。XMU-thesis采用LaTeX自动化排版技术,只需简单配置,就能生成完全符合学校规范的完美论文格式。
全层次学位支持
无论你是本科生、硕士生还是博士生,这个LaTeX模板都能满足你的需求。通过简单的配置选项切换,即可适配不同学位层次的格式要求。
跨平台兼容无忧
支持Windows、Mac、Linux各种操作系统环境,让你在任意设备上都能顺畅使用,论文写作更加灵活自由。
🚀 零基础配置:3步快速上手
第一步:获取模板文件
首先下载XMU-thesis模板:
git clone https://gitcode.com/gh_mirrors/xm/XMU-thesis
第二步:基础信息配置
打开example/demo.tex文件,修改基本信息:
\xmusetup{
author = 你的姓名,
title = 论文题目,
department = 所在学院,
major = 专业名称,
advisor = 指导教师
}
第三步:编译生成文档
使用你喜欢的LaTeX编辑器编译文档,推荐使用XeLaTeX引擎以获得最佳中文支持效果。
📊 功能亮点:专业排版轻松实现
智能封面系统设计
模板提供两种封面设计方案:
- cover/cover-with-spine.tex - 带书脊的专业封面
- cover/cover-without-spine.tex - 标准无书脊封面
双语目录自动同步
不再需要手动维护中英文目录!模板自动实现:
- 中文目录和英文目录实时同步更新
- 章节层次结构清晰呈现
- 附录内容自动纳入目录体系
参考文献智能管理
支持BibTeX和Biblatex两种引用方式,自动格式化参考文献列表,完全符合国家标准规范。
💡 使用场景:满足不同用户需求
新手用户快速入门
对于LaTeX初学者,example/demo.tex提供了完整的示例文档,让你快速理解模板使用方法。
有经验用户高效配置
对于熟悉LaTeX的用户,可以直接修改xmuthesis.cls主模板文件,进行个性化定制。
📈 效率对比:传统vs现代排版方式
时间节省显著
相比传统Word排版,使用XMU-thesis可以节省大量格式调整时间,让你将宝贵时间投入到学术研究中。
质量保证无忧
严格按照厦门大学学位论文格式要求设计,避免因格式问题影响论文评审结果,确保论文质量达到最高标准。
🔧 进阶技巧:个性化配置指南
字体方案灵活选择
模板支持多种字体配置方案:
- Adobe系列专业字体
- Fandol开源字体方案
- 系统自带标准字体
图表编号自动管理
所有图表自动按章节编号,交叉引用简单可靠:
\begin{figure}
\centering
% 插入图片内容
\caption{图表标题说明}
\label{fig:example}
\end{figure}
数学公式完美呈现
复杂数学公式、化学方程式都能清晰展示:
\[ E = mc^2 \]
📚 资源获取:学习资料完整路径
官方示例文档
- 完整示例:example/demo.tex
- 参考文献示例:example/Reference.bib
配置文件说明
- 主模板文件:xmuthesis.cls
- 校徽Logo支持:example/xmulogo.sty
🎉 开始使用:打造专业学术论文
XMU-thesis不仅仅是一个LaTeX模板,更是你顺利完成学位论文的得力助手。从今天开始,告别格式烦恼,专注于学术创新!
记住,优秀的学术论文不仅需要精彩的研究内容,更需要专业的排版呈现。让XMU-thesis助你一臂之力,打造完美的学位论文成果!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00