FreeTex v0.2.0:功能升级/支持Mac

概述

FreeTex在发布之后,迎来很多反馈,本次根据主流的反馈建议,又进行一轮小升级,正式发布v0.2.0版本,主要升级点如下:

  • 新增识别结果预览显示

  • Latex识别结果支持格式化输出

  • 软件体积更小,并移除控制台黑窗

  • macOS版本(arm64)发布

下载地址

开源仓库:https://github.com/zstar1003/FreeTex

经社区反馈,FreeTexv0.2.0的windows版本,不再需要运行安装,而提供软件本地压缩包,解压后,运行FreeTex.exe即可启动。

同时提供多种下载渠道:

windows(x64)下载地址:

macOS(arm64)下载地址:

如果想卸载已经安装的老版本,可以进到软件安装目录下,运行unins000.exe

mac版本说明

受限于macOS的系统,软件v0.2.0的部分新功能无法生效,因此mac版本的安装包为v0.1.0的系统版本。

同时,对于Intel x64的mac用户,无法提供安装包(我没有intel芯片的mac产品做测试)。

mac版本的应用安装完后,首次打开会弹出提示:

这是因为从 App Store 外部安装 Mac 应用程序、插件和安装程序包时,macOS 会检查开发者 ID 签名,以验证该软件是否来自已识别的开发者。

App Store 个人开发者注册的年费是99美元 ,作为免费软件,不会承担这个费用 除非有金主赞助 。

因此,用户安装时,需要更改 Mac 上的应用安全设置:

  • 1.打开系统设置。
  • 2.单击"隐私和安全",向下滚动,然后单击"仍然打开"按钮以确认您打开或安装该应用程序的意图。
  • 3.警告提示再次出现,如果您确实要打开该应用程序,则可以单击"打开"。

另外,由于 mac OS 系统的特殊性,截图功能可能会出现异常,因此推荐搭配其它截图工具,复制到剪切板,再通过Command+V粘贴进软件。

新增功能简介

1. 识别结果预览显示

新增了公式结果的渲染区显示,现在识别完公式后,会自动将识别结果进行渲染,以便直观了解识别准确性。

2. Latex导出格式多元化

新增了Latex导出的选择框,支持原始结果导出(不加包裹)、行内符号导出($$包裹)和行间公式导出(\begin{equation}包裹)三种选项,满足日常使用的不同场景。

注:切换完模式要再点一次复制,底层判断逻辑就是根据这个选项框的状态来对导出时进行元素判断和添加。

软件使用说明

在上一版软件反馈中,有两类典型情况,会导致识别结果异常。

1. 截图时携带文字

请注意,此软件只识别公式,不识别文字,因此截图时如果包含文字,会造成识别异常。

2. 背景颜色为暗色

识别时,建议保证背景颜色为亮色(白色最佳)。

训练集上通常是白色的数学公式,如果用黑色背景的公式图片,算法模型会认为黑色内容才是公式主体,自然识别异常。

3. 统一为 cpu 版本

FreeTexv0.2.0不再做设备自适应挑选,统一使用cpu设备,不再使用gpu加速,主要有以下三点考虑因素:

  • 实测发现,使用gpu和cpu的速度差异不显著(平均在1-2秒左右),为支持gpu,软件需要附带额外的cuda等加速依赖,会严重占用软件空间,cpu软件是gpu软件体积的1/5

  • 部分用户使用gpu版本时,会出现显卡异常的情况,cpu版本的兼容性更强。

  • 软件本身的资源占用不高,只占用1GB左右的内存/显存,轻薄本也能运行。

其它问题回答

1. 导出能支持 WPS 格式?

暂未发现有效的 Latex 转 WPS 的依赖包,WPS可以安装 mathtype 插件,直接复制 latex 格式,用插件转换。

2. 导出能支持 Typst 格式吗?

Typst 的生态过于贫瘠,暂未发现有效的 Latex 转 Typst 的依赖包,因此无法支持 Typst 格式导出。

3. 准确率能进一步优化吗?

FreeTex 使用的是开源算法,基本满足90%情况下的使用场景,对于少量复杂公式(多行花括号、大型矩阵)无法保证百分百准确。如果有更好的公式识别开源算法,欢迎推荐。

4. 会考虑拓展功能吗,比如识别文字?

不会,FreeTex 经过一轮公测反馈和产品迭代,已经达到了相当可用的程度。作为一款简洁的公式识别软件,不考虑增加非必要功能提升操作的复杂度。

致谢

感谢 @Silver Ling@Ray Cao 为本软件提供 Mac OS 版本的构建和运行测试。

相关推荐
AI大模型几秒前
LangGraph官方文档笔记(七)——Agent的输入输出
langchain·llm·agent
knqiufan25 分钟前
深度解析影响 RAG 召回率的四大支柱——模型、数据、索引与检索
llm·milvus·向量数据库·rag
麻雀无能为力26 分钟前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心29 分钟前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
IMPYLH1 小时前
Python 的内置函数 reversed
笔记·python
.30-06Springfield1 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域2 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技2 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_12 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉
小赖同学啊3 小时前
物联网数据安全区块链服务
开发语言·python·区块链