LaTeX3项目中的参数展开控制函数探讨
2025-07-05 06:07:28作者:庞眉杨Will
在LaTeX3项目中,参数展开控制是一个核心功能,开发者经常需要处理不同层级的参数传递和展开。最近关于\use_i_ii:nn函数的讨论揭示了LaTeX3中参数处理机制的一些有趣细节。
参数展开的基本概念
LaTeX3提供了一系列参数控制函数,用于精确控制宏展开过程中参数的传递方式。这些函数通常以\use_开头,后跟参数选择指示和参数数量。
\use_i_ii:nn与现有函数的比较
最初有开发者提出需要\use_i_ii:nn函数,其定义为:
\cs_new:Npn \use_i_ii:nn #1#2 { #1#2 }
这个函数的作用是接收两个参数并将它们都展开。然而,实际上LaTeX3已经提供了功能相同的\use:nn函数。
表格环境中的特殊应用
在表格环境中使用序列映射时,开发者遇到了一个典型问题:\seq_map_inline:Nn会在表格中产生额外的空行。这是因为该函数在最后执行映射体后会进行一些赋值操作,导致表格中出现空单元格。
解决方案是使用\seq_map_tokens:Nn配合参数展开控制函数:
\seq_map_tokens:Nn \l_tmpa_seq { \use_i_ii:nn \_cv_map_dual:nn }
这种方法可以有效地去除外层括号,使内部数据能够被正确处理。
参数展开的语义考量
关于函数命名的讨论中,有观点认为\exp_last_unbraced:Nn这样的名称更能准确反映函数的语义行为,因为它明确表示了"解包"参数的操作。然而,LaTeX3团队最终决定保持现有的\use:nn命名方案,因为:
- 当需要使用所有参数时,
\use:nn比\use_i_ii:nn更简洁 - 保持了命名一致性,避免引入过多的变体
- 减少了核心函数的数量,简化了API
最佳实践建议
对于LaTeX3开发者,在处理类似场景时:
- 优先考虑使用现有的
\use:nn函数而非特定变体 - 在表格等特殊环境中,注意映射函数的副作用
- 理解参数展开的层级关系,必要时使用解包操作
- 保持代码的可读性和一致性,遵循LaTeX3的命名规范
通过这次讨论,我们更深入地理解了LaTeX3中参数展开控制的机制和设计哲学,这对于编写高效、可靠的LaTeX3代码具有重要意义。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
316
2.74 K
仓颉编译器源码及 cjdb 调试工具。
C++
124
852
Ascend Extension for PyTorch
Python
155
178
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
246
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
241
85
暂无简介
Dart
606
136
React Native鸿蒙化仓库
JavaScript
239
310
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.02 K