USTCthesis v4.0.0-beta.7 版本更新解析:学术论文格式规范新特性
USTCthesis 是中国科学技术大学(USTC)官方推荐的 LaTeX 论文模板,旨在为研究生学位论文撰写提供标准化格式支持。最新发布的 v4.0.0-beta.7 版本对论文格式规范进行了多项重要更新,涉及数学公式编号、封面设计、章节结构等多个方面,这些改进使得模板更加符合学校最新的格式要求。
数学公式编号样式优化
新版本引入了 eqn-paren-style 参数,用于控制中文数学公式编号的括号样式。这一改进解决了长期以来关于数学公式引用时使用全角还是半角括号的争议。默认情况下,模板现在会使用全角括号(如"式(1.1)")来编号数学公式,这种样式更符合中文排版习惯。
对于需要特殊格式的用户,可以通过设置该参数来调整:
\documentclass[eqn-paren-style=half]{ustcthesis} % 使用半角括号
博士学位论文新增创新性说明
根据研究生院2025年2月发布的最新Word模板要求,本次更新新增了innovations环境,专门用于博士学位论文中的"创新性说明"部分。这个新环境使得博士研究生能够规范地展示其研究的创新点,使用方法简单直观:
\begin{innovations}
\item 提出了新型量子计算架构...
\item 开发了高效算法...
\end{innovations}
工程学位类型支持
为适应不同类型学位论文的需求,本次更新增加了degree-type = engineering选项,专门针对工程学位论文进行优化。这一改进使得工程硕士和博士能够更方便地使用模板,同时确保其论文格式符合工程学位的特殊要求。
封面与版式设计改进
新版本对论文封面进行了多项重要调整:
- 横向页边距统一调整为3.17厘米,使整体布局更加平衡
- 移除了"专业/工程学位类型"的显示,简化了封面信息
- 更新了整体封面设计,使其更加简洁专业
这些改动使得USTCthesis生成的封面与学校最新要求保持高度一致。
段落与标题格式优化
在正文格式方面,本次更新包含以下改进:
- 数学公式的段落间距调整为段前6磅、段后6磅,符合2025年3月Word模板规范
- 图表标题对齐方式改为
centerlast(两端对齐、末行居中),提升了视觉效果 - 英文摘要采用悬挂缩进2em,关键词采用悬挂缩进6.5em,与国际学术规范接轨
- 移除了研究生论文的三级以下节标题设置,使文档结构更加清晰
修正与优化
除了新增功能外,本次更新还修复了多个问题:
- 修正了复数指导教师的拼写错误
- 调整了英文摘要的缩进为1em,符合标准学术格式
- 优化了图注和表注的显示效果
这些改进虽然看似细微,但对于追求完美格式的学术论文来说至关重要。
总结
USTCthesis v4.0.0-beta.7版本的发布,标志着这个广受科大学生欢迎的论文模板又向前迈进了一步。通过引入创新性说明环境、优化工程学位支持、改进数学公式编号样式等一系列更新,该版本更好地满足了不同学科、不同学位类型研究生的需求。特别是对封面设计和段落格式的调整,使得生成的论文更加规范、专业。
对于正在准备学位论文的科大学生来说,及时升级到最新版本并使用这些新特性,将有助于确保论文格式完全符合学校的最新要求,从而把更多精力集中在研究内容本身而非格式调整上。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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