将AI生成的数学公式正确复制到word中

将AI生成的数学公式正确复制到word中

ChatGPT

  1. ChatGPT渲染出的公式无法直接复制到Word中;
  2. ChatGPT默认渲染的是「数学排版(MathJax)」而不是 LaTeX 源码;
  3. 复制时得到的是 Unicode / 富文本;
  4. 可明确给ChatGPT说: 请用 LaTeX 源码形式给我公式, 不要渲染.

举例

强行复制粘贴只会得到字母

{ u α ​ =R s ​ i α ​ + dt dψ α ​ ​ u β ​ =R s ​ i β ​ + dt dψ β ​ ​ ​ 

ChatGPT输出LaTeX源码

\begin{cases} u_\alpha = R_s i_\alpha + \frac{d\psi_\alpha}{dt} \\ u_\beta = R_s i_\beta + \frac{d\psi_\beta}{dt} \end{cases} 

在MathType中的渲染结果

在MarkDown中渲染结果如下

{ u α = R s i α + d ψ α d t u β = R s i β + d ψ β d t \begin{cases} u_\alpha = R_s i_\alpha + \frac{d\psi_\alpha}{dt} \\ u_\beta = R_s i_\beta + \frac{d\psi_\beta}{dt} \end{cases} {uα​=Rs​iα​+dtdψα​​uβ​=Rs​iβ​+dtdψβ​​​

Gemini

$$\begin{cases} u_d = R_s i_d + L_d \frac{di_d}{dt} - \omega_r L_q i_q \\ u_q = R_s i_q + L_q \frac{di_q}{dt} + \omega_r (L_d i_d + \psi_f) \end{cases}$$ 

渲染结果

{ u d = R s i d + L d d i d d t − ω r L q i q u q = R s i q + L q d i q d t + ω r ( L d i d + ψ f ) \begin{cases} u_d = R_s i_d + L_d \frac{di_d}{dt} - \omega_r L_q i_q \\ u_q = R_s i_q + L_q \frac{di_q}{dt} + \omega_r (L_d i_d + \psi_f) \end{cases} {ud​=Rs​id​+Ld​dtdid​​−ωr​Lq​iq​uq​=Rs​iq​+Lq​dtdiq​​+ωr​(Ld​id​+ψf​)​

IEEE中的数学公式

  1. 很多知名的数学网站(如 Stack Overflow, Wikipedia, arXiv)使用 MathJax 引擎;
  2. 方法:在公式上点击 鼠标右键 -> Show Math As -> TeX Commands

右键单击操作

弹出的LaTeX代码

安装DeepShare插件

这个插件能将AI生成的公式转换为可以复制的LaTeX代码

安装指南 | DeepShare

复制AI对话中公式 | DeepShare

安装好之后只需简单设置转换为LaTeX

设置好后, 鼠标悬停在公式上方就可以点击复制转换为LaTeX

下图为ChatGPT中生成的公式测试, 测试结果表明能够转换为LaTeX代码

复制成功后会弹出公式复制成功

快捷键 Ctrl + V 粘贴刚才复制的公式

\begin{cases} u_\alpha = R_s i_\alpha + \frac{d\psi_\alpha}{dt} \\ u_\beta = R_s i_\beta + \frac{d\psi_\beta}{dt} \end{cases} 

使用Markdown渲染出来, 如下所示

{ u α = R s i α + d ψ α d t u β = R s i β + d ψ β d t \begin{cases} u_\alpha = R_s i_\alpha + \frac{d\psi_\alpha}{dt} \\ u_\beta = R_s i_\beta + \frac{d\psi_\beta}{dt} \end{cases} {uα​=Rs​iα​+dtdψα​​uβ​=Rs​iβ​+dtdψβ​​​

Read more

ssm366基于Web的在线投稿系统的设计与实现+vue(文档+源码)_kaic

ssm366基于Web的在线投稿系统的设计与实现+vue(文档+源码)_kaic

摘  要 现代经济快节奏发展以及不断完善升级的信息化技术,让传统数据信息的管理升级为软件存储,归纳,集中处理数据信息的管理方式。本在线投稿系统就是在这样的大环境下诞生,其可以帮助管理者在短时间内处理完毕庞大的数据信息,使用这种软件工具可以帮助管理人员提高事务处理效率,达到事半功倍的效果。此在线投稿系统利用当下成熟完善的SSM框架,使用跨平台的可开发大型商业网站的Java语言,以及最受欢迎的RDBMS应用软件之一的Mysql数据库进行程序开发.在线投稿系统的开发根据操作人员需要设计的界面简洁美观,在功能模块布局上跟同类型网站保持一致,程序在实现基本要求功能时,也为数据信息面临的安全问题提供了一些实用的解决方案。可以说该程序在帮助管理者高效率地处理工作事务的同时,也实现了数据信息的整体化,规范化与自动化。 关键词:在线投稿系统;SSM框架;Mysql;自动化 Abstract The fast-paced development of the modern economy and the continuous improvement and upgrading of in

2025 AI数据准备:EasyLink让多模态非结构化数据处理变简单

2025 AI数据准备:EasyLink让多模态非结构化数据处理变简单

一、前言 在数据驱动的时代,企业每天被PDF、财报、合同、研究报告等海量文档所淹没。这些非结构化的多模态数据中蕴藏着关键业务洞察,却因格式复杂、版式多样、信息分散,成为难以开采的暗数据。研究人员仍需逐页翻查论文,分析师依旧通宵解析百页报表——传统处理方式不仅效率低下,更在规模面前显得无力。 随着大模型的普及,许多人期待它能自动化解这一困境。然而现实却揭示出一个严峻挑战:即使是当前最先进的视觉大模型,在面对复杂版式文档、混排图表与密集文本时,其识别准确率仍与专业非结构化数据处理工具存在显著差距。 一项全面测评显示,通过在多个OCR方法中探索中小模型的参数量、计算量、数据量对于精度的影响,成功证明了OCR领域在这三个维度存在Power-Law规律。 这些研究成果表明,OCR技术在提升多模态大模型性能方面发挥着关键作用,尤其是在处理复杂的视觉问答任务时。我们的工作不仅推动了OCR技术的发展,也为多模态大模型的应用提供了新的视角。 正式研究人员的不断努力,EasyLink团队致力于从数据源头破解这一难题。通过行业领先的智能文档解析与图表理解技术,为多模态大模型提供清洁、结构化

【LLM】Ollama:本地大模型 WebAPI 调用实战指南

1. 为什么选择Ollama部署本地大模型 最近两年大模型技术发展迅猛,但很多开发者面临一个现实问题:公有云API调用不仅费用高昂,还存在数据隐私风险。Ollama的出现完美解决了这个痛点,它就像是你本地的模型管家,可以一键部署各种开源大模型。我去年在开发智能客服系统时就深受其益,既避免了敏感客户数据外泄,又省下了大笔API调用费用。 与传统方案相比,Ollama有三大优势:首先是安装简单,用Docker一条命令就能跑起来;其次是模型丰富,支持Llama、Mistral等主流开源模型;最重要的是API标准化,完全兼容OpenAI的接口规范。实测在16GB内存的MacBook Pro上运行7B参数的模型,响应速度可以控制在2秒以内,完全能满足大多数应用场景。 2. 五分钟快速搭建Ollama环境 2.1 准备工作就像搭积木 在开始之前,我们需要准备两个基础组件:Docker和Python环境。这里有个小技巧分享——建议使用Docker Desktop的WSL2后端(Windows用户),性能比传统虚拟机模式提升30%以上。安装完成后,记得执行以下命令验证版本: docker

.NET 的 WebApi 项目必要可配置项都有哪些?

.NET 的 WebApi 项目必要可配置项都有哪些?

目录 一、数据库配置 (一)选择合适的数据库提供程序 (二)配置数据库连接字符串 (三)数据库迁移(以 EF Core 为例) 二、依赖注入配置 (一)理解依赖注入 (二)注册服务 (三)使用依赖注入 三、Swagger 配置 (一)安装 Swagger 相关包 (二)配置 Swagger 服务 (三)启用 Swagger 中间件 四、接口接收和输出大小写配置 (一)接口接收大小写配置 (二)接口输出大小写配置 五、跨域配置 (一)什么是跨域 (二)配置跨域 六、身份验证与授权配置