论文编辑与投稿——word另存PDF显示“错误！未找到引用源”的解决方案

最新推荐文章于 2025-05-18 21:20:29 发布
最新推荐文章于 2025-05-18 21:20:29 发布
阅读量5w 收藏 42
点赞数 46
分类专栏： 论文写作常识 文章标签： 经验分享 其他
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/knkn123/article/details/113776414
版权

一、报错示例

在论文中我们的参考文献、图、表、公式都需要使用引用这一功能，但是当我们需要将word另存为pdf格式后，有时这些引用位置会出现如下图所示的情况（word与pdf文件中会同时出现）
在这里插入图片描述
Fig1.参考文献引用处出现错误
在这里插入图片描述
Fig2.文中图、表、式引用处出现错误

二、解决方案

1、首先我们应当对word文件撤销当前操作，撤销至 上述报错消失
2、使用Ctrl+A，全选全文，然后使用Ctrl+F11(Ctrl+F11：锁定选中的域，防止被更新，只对可能更新的域如“时间域”等有效),然后再进行另存就可以解决以上问题。

机器文明的冰山一角：人工智能，孔子与苏格拉底
06-21
机器文明的冰山一角：人工智能，孔子与苏格拉底
DeepSeek对AI产业的影响：深度分析DeepSeek爆火背后，AI产业将面临怎样的颠覆与冲击.pdf
03-18
DeepSeek对AI产业的影响：深度分析DeepSeek爆火背后，AI产业将面临怎样的颠覆与冲击.pdf
20250205-AI人工智能基地-人工智能行业DeepSeek爆火详细报告：回顾DeepSeek的爆火过程.pdf
04-14
20250205-AI人工智能基地-人工智能行业DeepSeek爆火详细报告：回顾DeepSeek的爆火过程.pdf
美团点评AI技术精选：2017年度实战文章回顾
美团AI文章合集是一系列深入介绍美团点评在人工智能和机器学习领域的技术成果及其应用的文章集合。美团点评作为全球领先的综合生活服务平台，其业务覆盖范围广泛，包括餐饮、旅游、购物等众多生活服务，每天处理大量...
2018年美团点评技术年货（中）
02-09
8. **人工智能应用**：美团在无人配送、智能客服、图像识别等领域有深入研究，可能会分享相关AI技术的应用案例。 9. **技术团队建设**：除了技术实践，也可能包括团队管理、人才培养、技术文化等方面的分享，对于...
多模态大语言模型arxiv论文略读（七十九）
Jamence的博客
05-16 1113
➡️ 实验设计：研究团队在多个公开数据集上进行了实验，涵盖了从视觉感知到视觉理解的各种任务，包括弱交互（如封闭集任务）和强交互（如视觉提示+语言提示）任务，以及常见领域和长尾领域（如医疗、遥感、工业）的任务。➡️ 方法简介：AIM框架通过将多模态演示中的图像信息聚合到文本的潜在空间中，生成融合的虚拟标记，以替代原始的图像-文本对。基于这一发现，研究团队提出了一种新的框架AIM，通过将多模态演示中的图像信息聚合到文本的潜在空间中，减少视觉标记的数量，从而提高MLLMs在多模态ICL中的效率和性能。
使用大语言模型从零构建知识图谱（中）
2401_82452722的博客
05-14 838
本文详细介绍了如何利用大语言模型（LLM）从零开始构建知识图谱，涵盖了节点定义、关系识别和Cypher查询生成的完整流程。通过自定义流程，作者展示了如何自动生成节点、关系以及Cypher查询，并基于数据集进行操作。文章还探讨了使用Ollama和DeepSeek-V3等工具进行模型初始化的方法，并提供了代码示例和验证步骤，确保生成的节点、关系和查询符合预期。此外，作者强调了跳出固有思维模式的重要性，以设计出更灵活的Graph-Builder。最后，文章提到未来将介绍使用LangChain实现的现代化Graph
大语言模型 07 - 从0开始训练GPT 0.25B参数量 - MiniMind 实机训练 预训练 监督微调
永远好奇，无限进步！
05-15 414
本文详细介绍了GPT模型的训练流程，包括数据准备、预训练、指令微调、对齐阶段和推理部署等关键步骤。通过MiniMind项目，展示了单卡训练的具体操作，如预训练和监督微调的执行过程，并提供了相应的代码示例和输出结果。文章还探讨了如何通过GPU监控训练状态，并展示了不同模型（如预训练模型和SFT-Chat模型）的测试效果，证明了监督微调对提升模型回答质量的有效性。整体而言，本文为理解和实施GPT模型的训练提供了全面的指导。
《Python星球日记》 第68天：BERT 与预训练模型
Code_流苏：在代码中寻诗意，在实践中觅真知
05-14 898
《Python星球日记》 第68天：BERT 与预训练模型，今天我们将深入探索自然语言处理领域的重要突破——BERT模型，了解它如何通过预训练和微调来处理各种NLP任务，以及如何使用**Hugging Face Transformers**库快速实现BERT的应用。
多模态大语言模型arxiv论文略读（七十四）
Jamence的博客
05-14 534
研究团队提出了一种新的方法，通过利用多模态大语言模型（MLLMs）生成高质量的文本描述，并利用这些生成的文本作为元数据来净化IAA数据集中的噪声，从而构建一个统一的质量和美学图像-文本数据集。为了解决这些问题，研究团队开发了xLLaMA-100和xBLOOM-100（统称为xLLMs-100），旨在扩展LLMs的多语言能力至100种语言，并通过多语言指令调优和跨语言人类反馈对齐，提升模型的理解和生成能力。因此，扩展LLMs的多语言能力，特别是支持低资源语言，成为当前研究的重要方向。
【NLP 计算句子之间的BLEU和ROUGE分数】
放飞自我的coder
05-14 304
本文介绍了如何使用Python中的nltk和rouge-score库批量计算BLEU和ROUGE分数，以评估生成文本的质量。首先，通过pip安装必要的依赖库。接着，提供了三个主要函数：batch_bleu用于计算批量BLEU-4分数，batch_rouge用于计算ROUGE-1、ROUGE-2和ROUGE-L分数，evaluate_all则整合了这两个函数，返回BLEU和ROUGE的平均分数。最后，通过示例数据展示了如何使用这些函数进行评估，并输出了评估结果。这些工具适用于自然语言处理任务中生成文本的自动评
Top-p采样：解锁语言模型的创意之门
ZJQ的博客
05-15 200
Top - p采样，又称核采样，是一种在自然语言生成和大规模语言模型推理中使用的采样策略。它通过设定一个概率阈值p（0到1之间），从概率分布中选择累计概率大于或等于p的最小词集，然后从中随机选择一个词作为输出。例如，当p = 0.7时，模型会选出累计概率达到0.7的词集，并随机挑选一个词。较低的p值使生成的文本更可预测，而较高的p值则增加文本的多样性和创意。具体步骤包括对词汇表中的词进行概率排序和累积，直到累加概率达到p值，然后从候选词集中随机采样。
多模态大语言模型arxiv论文略读（七十八）
Jamence的博客
05-16 785
此外，多模态的特性引入了新的风险，如对对抗性图像攻击的敏感性、图像中的有毒内容以及通过视觉上下文进行的越狱等。因此，研究团队提出了一种自动框架——图像文本化（Image Textualization, IT），旨在利用现有的多模态大语言模型和多个视觉专家模型，以协作方式生成高质量的图像描述。➡️ 方法简介：研究团队提出了一种多模态大语言模型（MLLM）来预测未来视频的状态，并设计了双查询变压器（DQFormer）架构，将文本和视觉条件整合为多条件（MCondition），以指导视频预测。
大语言模型主流架构解析：从 Transformer 到 GPT、BERT
easyaigx的博客
05-08 2457
大语言模型的发展使得自然语言处理领域取得了显著进展。Transformer 架构的引入为语言模型的构建提供了新的思路，而 GPT 和 BERT 的相继问世则展示了不同的模型设计理念与应用场景。GPT 更加关注文本生成，而 BERT 则更擅长文本理解。在未来，随着大模型的不断发展和优化，我们有望看到更加强大和灵活的语言模型，解决更复杂的自然语言处理问题。此外，随着计算能力的提升和数据量的增加，研究者们也会探索更高效的训练方法与模型架构，以推动 NLP 领域的进一步发展。
HE-Drive：利用视觉-语言模型实现类人端到端驾驶
qq_54556560的博客
05-15 739
《HE-Drive：Human-Like End-To-End Driving With Vision Language Models》是由地平线、＊＊＊大学、中科院大学和北京交大联合发表的论文，提出了一种以人类为中心的端到端自动驾驶系统。该系统通过稀疏感知提取3D空间表示，利用条件去噪扩散概率模型（DDPM）生成时间一致的多模态轨迹，并通过视觉语言模型（VLM）引导的轨迹评分器选择最舒适的轨迹。实验表明，HE-Drive在nuScenes和OpenScene数据集上实现了最先进的性能，显著降低了碰撞率并提
大语言模型 11 - 从0开始训练GPT 0.25B参数量 MiniMind2 准备数据与训练模型 DPO直接偏好优化
永远好奇，无限进步！
05-17 644
本文详细介绍了GPT模型的训练流程，涵盖了从数据准备到推理部署的各个关键阶段。首先，通过下载并预处理数据集（如pretrain_hq、sft_512、sft_2048、dpo等），为模型训练奠定基础。接着，使用双卡进行预训练，训练参数量为104M的模型。随后，分别在sft_512和sft_1024数据集上进行微调训练，并测试模型性能。最后，进行DPO（Direct Preference Optimization）训练，调整batch_size以避免显存溢出。整个流程展示了GPT模型从数据准备到最终部署的完整
从零开始实现大语言模型（十五）：并行计算与分布式机器学习
最新发布
RuizhiHe
05-18 798
并行计算与分布式机器学习是一种使用多机多卡加速大规模深度神经网络训练过程，以减少训练时间的方法。在工业界的训练大语言模型实践中，通常会使用并行计算与分布式机器学习方法来减少训练大语言模型所需的钟表时间。
自然语言处理入门级项目——文本分类（预处理）
mailangduoduo的博客
05-14 1099
本篇博客主要介绍自然语言处理领域中一个项目案例——文本分类，具体而言就是判断评价属于积极还是消极的模型，选用的模型属于最简单的单层感知机模型。本项目数据集来源：2015年，Yelp 举办了一场竞赛，要求参与者根据点评预测一家餐厅的评级。该数据集分为 56 万个训练样本和3.8万个测试样本。共计两个类别，分别代表该评价属于积极还是消极。运行结果：共计两个类别，同时类别数量相等，因此不需要进行类平衡操作。因为当前数据集过大，因此这里对数据集进行抽取。
智能工具协同赋能STEM教育科研｜探索LLM大语言模型和数学软件Maple的创新实践
maplesoft的博客
05-14 790
在协同工作流程中，LLM 首先根据用户需求生成数学问题描述，经由代码生成模块转化为 Maple 可识别的代码形式，Maple 接收代码后迅速开展计算分析，并以动态可视化图形展示结果，此时若用户对结果有进一步优化要求，可再次借助 LLM 调整问题描述和代码，形成高效闭环。以复杂方程求解为例，LLM 能依据输入的方程特点和求解目标，生成相应的 Maple 求解代码，Maple 执行计算后，将解的分布、轨迹等通过图形呈现，若解存在不合理之处，LLM 可辅助分析原因并修正代码，直至得到满意结果。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值