LaTeX2e内核更新对cleveref宏包兼容性的影响分析
背景介绍
在LaTeX排版系统中,交叉引用功能是学术写作的重要组成部分。LaTeX2e内核在2019年秋季版本中引入了一个重要变更,对\p@<counter>命令进行了功能扩展,使其能够接受一个参数(通常是\the<counter>)。这一变更虽然提升了内核功能,但也带来了一些与第三方宏包的兼容性问题,特别是与广泛使用的cleveref宏包。
技术细节解析
内核命令变更
原本的\p@<counter>命令在2019年更新后被扩展为可以接受参数的形式。内核代码中所有使用该命令的地方都相应进行了调整,主要是在相关代码前添加了\expandafter命令。例如:
% 旧版本代码
\csname p@#1\expandafter\endcsname\csname the#1\endcsname
% 新版本代码
\csname p@#1\endcsname\csname the#1\endcsname
cleveref宏包的兼容性问题
由于cleveref宏包长期未更新,其内部对\p@<counter>命令的使用方式未能跟上内核的变化。这导致当与ctex宏包(中文排版解决方案)结合使用时,特别是在同时加载hyperref和cleveref的情况下,会出现引用标签生成错误。
问题表现
当用户尝试在文档中使用这些宏包组合时,交叉引用标签的生成会出现异常。具体表现为\cref@currentlabel宏的输出内容包含未展开的命令片段,如thesection\endcsname等,而非预期的格式化标签内容。
解决方案探讨
针对这一问题,目前存在几种可能的解决方案:
-
更新cleveref宏包:最彻底的解决方案是直接更新cleveref宏包本身,使其完全兼容新内核规范。但这需要原维护者的参与或社区接手维护。
-
临时补丁方案:
- 在LaTeX2e的firstaid补丁中添加缺失的
\expandafter命令 - 通过ctex宏包扩展其现有的cleveref补丁
- 在LaTeX2e的firstaid补丁中添加缺失的
-
开发替代方案:社区可以考虑开发一个与新版内核完全兼容的cleveref替代品(如cleveref-new),然后通过firstaid机制自动加载这个新实现。
技术影响评估
这一问题特别影响中文LaTeX用户,因为ctex宏包是中国用户常用的中文排版解决方案。当用户需要同时使用交叉引用、超链接和中文排版功能时,此兼容性问题就会显现。
内核开发者已经在开发分支中添加了必要的\expandafter修正,但这需要等待下一个正式版本发布。在此期间,用户可能需要依赖临时补丁或变通方案来解决这一问题。
最佳实践建议
对于当前遇到此问题的用户,建议:
- 密切关注LaTeX2e的更新公告,及时升级到包含修复的版本
- 如果必须使用当前版本,可以考虑临时采用ctex宏包提供的补丁
- 在文档中避免同时使用可能冲突的宏包组合
- 考虑报告给cleveref维护者,推动宏包本身的更新
这一案例也提醒我们,在LaTeX生态系统中的内核更新可能会对第三方宏包产生深远影响,特别是对于那些长期未更新的流行宏包。作为用户,了解这些技术细节有助于更好地诊断和解决实际使用中遇到的问题。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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