LaTeX2e内核与cleveref宏包中\thepage命令的扩展问题解析
问题背景
在LaTeX文档排版过程中,页码标记命令\thepage的重新定义可能会引发一些技术问题。特别是当用户使用\protect宏来保护\thepage命令时,与\label命令的交互会出现异常。这个问题在LaTeX2e内核与cleveref宏包的配合使用中尤为明显。
问题重现
考虑以下最小示例代码:
\documentclass{book}
\usepackage{cleveref}
\renewcommand{\thepage}{\textbf{\arabic{page}}}
\begin{document}
Text\label{error}.
\end{document}
在这个例子中,用户将\thepage重新定义为带有\textbf命令的格式。这种修改会导致LaTeX在处理\label命令时出现问题。
技术分析
问题的根源在于LaTeX内核中\label命令对\thepage的处理方式。在LaTeX2e的firstaid补丁中,\label@noarg和\label@optarg两个关键宏使用\edef来扩展\thepage命令。\edef会强制完全展开其内容,这可能导致受保护的命令被过早展开,从而引发错误。
解决方案
更安全的做法是使用\protected@edef代替\edef来扩展\thepage命令。\protected@edef会尊重\protect命令的保护机制,避免过早展开受保护的宏。这一改进已经被纳入LaTeX2e内核的后续版本中。
影响范围
这个问题不仅影响直接使用\thepage重定义的用户,还会影响那些依赖页码标记的宏包和自定义命令。特别是在使用cleveref这类高级交叉引用宏包时,问题会更加明显。
最佳实践建议
-
对于普通用户:如果需要在文档中重定义
\thepage命令,建议使用LaTeX2e的最新版本,以避免此类问题。 -
对于宏包开发者:在处理可能包含保护命令的计数器输出时,应当优先考虑使用
\protected@edef而非\edef,以确保宏的健壮性。 -
对于系统维护者:应当关注LaTeX2e内核的更新,及时获取包含此修复的版本。
结论
LaTeX2e内核对此问题的修复体现了对向后兼容性和健壮性的重视。这一改进不仅解决了当前的问题,还为未来可能出现的类似情况提供了更好的处理机制。用户和开发者都应当了解这一变化,以确保文档和宏包的稳定运行。
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