Thuthesis 模板目录行间距调整技术解析
清华大学学位论文 LaTeX 模板 Thuthesis 是广泛应用于学术论文写作的优秀工具。在使用过程中,用户可能会遇到目录行间距不符合学校格式要求的问题,特别是当模板要求目录行间距固定为20磅且段前段后间距均为0磅时。本文将深入分析这一问题并提供专业解决方案。
问题现象分析
在 Thuthesis 模板生成的目录中,各章标题之间的间距可能出现过宽的情况。这通常表现为:
- 章与章之间的垂直间距明显大于20磅
- 段前段后存在不必要的空白
- 整体目录排版不符合学校规定的格式要求
技术背景
LaTeX 的目录生成机制涉及多个底层命令和参数设置。Thuthesis 作为基于 LaTeX 的模板,其目录样式主要通过以下方式控制:
tocloft宏包提供的目录格式设置- 自定义的章节标题样式
- 间距参数(如
\lineskip和\parskip)
解决方案
要解决目录行间距问题,需要从以下几个方面进行技术调整:
-
修改行间距设置: 在文档类或宏包加载后,使用
\linespread命令调整行距。对于固定20磅的要求,可以设置为:\linespread{1.24} % 近似20磅行距(基于12pt字号) -
调整段间距: 清除段前段后间距:
\setlength{\parskip}{0pt} \setlength{\parindent}{2em} -
目录专用设置: 针对目录的特殊调整:
\usepackage{tocloft} \setlength{\cftbeforechapskip}{0pt} \renewcommand{\cftchapleader}{\cftdotfill{\cftdotsep}} -
章节标题样式: 确保章节标题样式不会引入额外间距:
\titleformat{\chapter}[display] {\normalfont\Large\bfseries} {\chaptertitlename\ \thechapter} {0pt} {\Large}
实现细节
-
精确行距计算: LaTeX 中的行距是相对于字体大小的倍数。假设基础字号为12pt,20磅行距对应的行距因子约为1.24(20/16.2,其中16.2是12pt字号的单倍行距)。
-
间距继承问题: 需要注意目录中的间距设置可能会被文档类或其它宏包的默认设置覆盖,因此调整代码应放在文档类加载之后、正文开始之前。
-
兼容性考虑: 上述修改应与 Thuthesis 模板的其它样式设置兼容,特别是当使用不同文档类选项(如学位类型)时。
最佳实践建议
-
局部调整: 建议将目录间距调整代码封装在单独的命令或环境中,避免影响文档其它部分的排版。
-
验证方法: 生成PDF后,可使用专业设计工具测量实际行距,确保精确符合20磅要求。
-
模板更新: 当 Thuthesis 模板更新时,应检查这些自定义设置是否仍然有效,必要时进行调整。
通过以上技术调整,用户可以精确控制 Thuthesis 模板生成的目录行间距,满足学校严格的格式要求。这些方法不仅解决了当前问题,也为处理类似排版需求提供了技术参考。
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-1.5暂无简介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