LaTeX2e 项目中的 `firstaid` 补丁与 `cleveref` 引用问题解析
问题背景
在 LaTeX 文档排版中,数学公式的交叉引用是一个常见需求。amsmath 宏包提供了 \tag 命令,允许用户为公式指定自定义标签,而 cleveref 宏包则提供了智能的交叉引用功能。然而,近期 firstaid 补丁包更新至 1.1g 版本后,用户发现使用 cleveref 引用带 \tag 的公式时出现了异常。
问题现象
当用户在 equation 环境中使用 \tag 命令自定义公式标签,并通过 cleveref 引用时,引用结果显示为"eq. (0)"而非预期的自定义标签。例如:
\documentclass{article}
\usepackage{amsmath,cleveref}
\begin{document}
\cref{eq:a}
\begin{equation}\tag{$*$}\label{eq:a}
a
\end{equation}
\end{document}
预期输出应为"eq. (*)",但实际输出为"eq. (0)"。
技术分析
根本原因
这一问题源于 firstaid 补丁包对 cleveref 宏包的修改。补丁包在 label 钩子中添加了处理逻辑,导致对带 \tag 的公式引用时,cleveref 无法正确识别自定义标签。
深层机制
-
amsmath的\tag机制:\tag命令会覆盖公式的自动编号,但原始编号信息仍保留在内部数据结构中。 -
cleveref的引用机制:cleveref通过分析 LaTeX 的标签系统来生成智能引用,需要正确识别公式的实际显示标签。 -
firstaid的干预:补丁包修改了标签处理流程,导致cleveref获取的是公式的内部编号而非显示标签。
解决方案
临时解决方案
对于简单文档,可以使用 equation* 环境替代 equation 环境:
\begin{equation*}\tag{$*$}\label{eq:a}
a
\end{equation*}
官方修复方案
开发团队已提交修复补丁,通过检测 \iftag@ 条件来正确处理带 \tag 的公式引用:
\makeatletter
\RemoveFromHook{label}[firstaid/cleveref]
\ExplSyntaxOn
\newif\iftag@ \tag@false %if amsmath is not loaded
\AddToHook{label}[firstaid/cleveref]
{%
\ifx
\@currentcounter\@empty
\else
\iftag@\else
\firstaid@cref@updatelabeldata{\@currentcounter}%
\fi
\fi}
\ExplSyntaxOff
\makeatother
最佳实践建议
- 当使用
\tag时,优先考虑equation*环境而非equation环境 - 在复杂文档结构中(如列表内的公式),注意测试引用是否正确
- 及时更新 LaTeX 发行版以获取官方修复
技术延伸
hyperref 兼容性问题
值得注意的是,即使在修复此问题后,hyperref 宏包与带 \tag 的 equation 环境仍存在兼容性问题。这种情况下,点击引用可能跳转到错误位置。这是 amsmath 和 hyperref 交互的长期问题,建议用户:
- 在需要
\tag时使用equation*环境 - 避免在
equation环境中使用\tag命令
文档结构影响
在列表等环境中引用带 \tag 的公式时,即使使用 equation* 也可能遇到引用格式问题。这需要额外注意测试和可能的样式调整。
结论
这一问题展示了 LaTeX 宏包间复杂交互可能导致的意外行为。通过理解各宏包的工作原理和相互作用,用户可以更好地诊断和解决类似问题。开发团队的快速响应也体现了 LaTeX 社区的活跃维护状态。建议用户关注官方更新,并遵循最佳实践来确保文档稳定性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00