Paper Translator v3

Paper Translator v3 是一款面向扫描版与原生文字版学术论文的英文至中文 PDF 翻译实验管线。当前其主要验证样本集中于量化金融和计量经济学领域。该管线通过结合多模态视觉模型与传统的版面分析技术，致力于在翻译过程中实现中文正文的重新排版、公式的矢量化编译以及图表的原样保留，为学术文献的本地化阅读提供了一种高保真的探索方案。

核心技术架构与工作机制

Paper Translator v3 摒弃了单纯依赖 PDF 文本层的传统翻译方式，采用了一套混合解析策略：

1. 多模态视觉转写：视觉模型负责读取原文内容、识别复杂公式并推断正确的阅读顺序，有效弥补了扫描版 PDF 缺失文本层或原生 PDF 文本顺序混乱的缺陷。
2. 版面结构检测：引入 DocLayout-YOLO 模型精准提取文档的版面边界框（Bounding Boxes），为后续的排版重建提供空间依据。
3. 几何辅助与重排版：PDF 的原始文字层仅作为几何位置的辅助参考。翻译后的中文正文会根据检测到的版面进行重新排版；数学公式则通过提取源码并经 LaTeX (pdflatex) 编译为高质量的矢量内容；图表区域则直接保留原图，确保视觉信息的完整性。

环境依赖与部署配置

作为一个本地运行的实验项目，v3 对环境配置有较为严格的要求，已在 Windows 10 / Python 3.13 环境下验证（建议 Python 3.11–3.13）：

• 基础依赖：需安装 PyMuPDF、NumPy、PyYAML 及 doclayout-yolo。
• 排版引擎：必须配置 MiKTeX 或 TeX Live 环境，确保 pdflatex 可用，并安装 amsmath、amssymb 等必要宏包。
• 字体支持：需配置中文字体（如宋体、黑体或 Noto Serif CJK）及西文数学字体（如 Times 或 DejaVu Serif）。
• 模型 API：需自行准备支持图像输入的视觉模型（返回特定 JSON 格式）和文字翻译模型（如 DeepSeek）。API 密钥及模型端点强烈建议通过环境变量（如 DEEPSEEK_API_KEY、TR_VISION_URL）配置，而非硬编码。

命令行支持灵活的调用方式，例如指定领域、控制并行数或进行空运行测试：

python translate.py D:\papers -j 2 -o output --domain '量化金融与计量经济学'

严谨的质量门禁与缓存机制

为了确保翻译管线的稳定性与可追溯性，Paper Translator v3 内置了严格的质量控制机制：

• 构建记录与校验：每次批量构建都会生成包含 SHA-256、页数、告警状态及公式占位符信息的 JSON 记录。仅当文件与干净构建记录的 SHA-256 一致时，才会自动跳过处理。
• 智能重译策略：若翻译缓存中的数学占位符不完整，系统会按段落触发重译，而无需整篇文档重新处理，大幅提升了迭代效率。
• 告警阻断：当检测到告警或文字压图现象时，CLI 会返回非零退出码，防止错误结果被静默接受。

当前局限性与能力边界

开发者明确指出，Paper Translator v3 仍是一个可运行的实验项目，未进行完整的语义评测，也不声称整体性能优于成熟的 pdf2zh。用户在使用时需了解以下未解决的边界问题：

• 视觉模型局限：可能存在漏掉页面某段文字、阅读顺序推断错误或复杂跨栏版面解析失败的情况。
• 语义与排版残留：偶发语义误译或正文页过多留白。
• 图表内文本：图表内部的文字默认保留原图（英文），这属于设计预期，不被视为漏译或质量缺陷。