如何快速安装TinyTeX:轻量级LaTeX发行版的终极指南
TinyTeX是一款基于TeX Live的轻量级、跨平台且易于维护的LaTeX发行版,专为解决传统LaTeX安装体积庞大、维护复杂的痛点而设计。无论是LaTeX新手还是需要高效排版工具的科研人员,都能通过TinyTeX体验到简洁高效的文档编译流程。
📦 什么是TinyTeX?核心优势解析
TinyTeX由Yihui Xie开发,通过精简设计将LaTeX发行版体积控制在合理范围,同时保留核心功能。与动辄数GB的完整版TeX Live相比,TinyTeX的轻量化设计让安装包体积减少70%以上,却能满足95%的日常排版需求。
✨ 三大核心优势
- 极致小巧:基础安装仅需数百MB,显著节省磁盘空间
- 自动补全:编译时自动检测并安装缺失的LaTeX包
- 跨平台兼容:完美支持Windows、macOS和Linux系统
🚀 三步完成TinyTeX安装
1. 准备环境(适用于所有系统)
确保系统已安装R语言环境(推荐R 4.0及以上版本)。如需从源码安装,可通过以下命令克隆仓库:
git clone https://gitcode.com/gh_mirrors/ti/tinytex
2. 执行一键安装脚本
根据操作系统选择对应命令,在终端或命令提示符中执行:
Linux/macOS用户
curl -L https://yihui.org/tinytex/install-tinytex.R | R --slave
Windows用户(PowerShell)
Invoke-WebRequest -Uri 'https://yihui.org/tinytex/install-tinytex.R' -OutFile 'install-tinytex.R'
Rscript install-tinytex.R
3. 验证安装结果
安装完成后,运行以下命令检查是否成功:
tlmgr --version
若显示版本信息,则说明TinyTeX已成功安装并配置完成。
💻 实战案例:从TeX文件到PDF文档
基础编译流程
假设存在名为example.tex的文档,使用TinyTeX编译的基本命令为:
pdflatex example.tex
对于包含交叉引用或 bibliography的复杂文档,推荐使用latexmk工具实现全自动编译:
latexmk -pdf example.tex
R Markdown用户专属方案
在R环境中,可直接调用tinytex包实现PDF文档生成:
# 安装R包(如未安装)
install.packages("tinytex")
# 编译R Markdown文档
rmarkdown::render("report.Rmd", output_format = "pdf_document")
🛠️ 高级配置与优化技巧
自定义安装路径
如需指定安装目录,可在安装时添加路径参数:
tinytex::install_tinytex(dir = "~/custom/tinytex/path")
批量更新宏包
保持宏包最新可有效避免兼容性问题:
tlmgr update --all
扩展功能包管理
查看已安装宏包列表:
tlmgr list --installed
安装额外宏包(以amsmath为例):
tlmgr install amsmath
📚 生态整合:TinyTeX与R Markdown工作流
TinyTeX与R生态深度整合,特别适合学术写作和技术报告创作:
- 文献管理:配合
bibtex和natbib包实现参考文献自动化排版 - 模板系统:通过
rticles包直接使用Elsevier、Springer等期刊模板 - 书籍创作:结合
bookdown包构建结构化图书项目
❓ 常见问题解决
编译时提示"LaTeX Error: File 'xxx.sty' not found"
这是典型的宏包缺失问题,TinyTeX会自动尝试安装缺失包。若自动安装失败,可手动执行:
tlmgr install xxx
(将xxx替换为缺失的宏包名称)
权限问题(Linux系统)
如遇权限错误,可尝试添加--admin参数重新安装:
sudo Rscript -e "tinytex::install_tinytex(admin = TRUE)"
🎯 为什么选择TinyTeX?
对于学术研究者、技术作家和教育工作者而言,TinyTeX提供了平衡体积与功能的最佳解决方案。其自动包管理机制让用户无需关心底层依赖,专注于内容创作本身。配合R Markdown生态,可实现从数据分析到PDF报告的全流程自动化。
无论是日常作业、期刊论文还是技术文档,TinyTeX都能以最小的系统资源占用,提供专业级的排版质量。立即尝试这款轻量级LaTeX发行版,让文档创作变得更简单高效!
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00