内容中心 › 通用
484 个文本块，367 个宽度不到页宽的 60%。
这是 Transformer 原始论文 15 页的实测结果。大多数"块"从尺寸上看根本不是正文——是图注、表头、公式编号、栏内短句。所以翻译崩在哪几乎能提前算出来：不在公式，在那些被当成正文处理的窄块。
PyMuPDF 打开原文按文本块取内容：块宽小于页宽 60% 记"窄块"；表格用内置识别；图注按 Figure / Table 开头匹配；公式编号按单独成行、形如 (3) 的短行匹配。译文取同一份文件走完翻译后的版本，只统计非空白字符与中文字符。一次跑完，谁都能复现。
| 指标 | 实测值 |
|---|---|
| 文本块总数 | 484（非空块） |
| 窄块（<60% 页宽） | 367，占 75.8% |
| 检出表格结构 | 6 张，分布在 5 页 |
| 图 / 表题注行 | 10 条 |
| 原文 / 译文非空白字符 | 33401 / 16549（0.495 倍） |
| 译文中中文字符 | 7469，占译文 45.1% |
很多人判断工具行不行只看公式。但公式在这组数里占比很小，窄块才是主体：10 条题注、6 处表格结构、3 处公式编号，其余是栏内短句、作者单位、脚注。
它们的共同特征是宽度不够，却最容易被当正文段落处理。一旦当正文，就按整栏宽度重排——图注被拉成横贯一页的一行，作者单位被并成一句。"图注跑到页脚""表头变成一段话"不是翻译错了，是宽度判断错了。段落宽度占不到页宽六成的大概率不是正文，这条规则简单，很多工具却没做。
译文 16549 个非空白字符，汉字只有 7469 个，剩下 54.9% 是变量名、数字、单位、编号、保留原样的术语。
含义很直接：一篇论文翻完，超过一半的"字"不能被当文本随意换行。d_model、QK^T、BLEU 28.4、(1) 一旦当普通文字进了重排流程，就会出现变量名被拆两行、公式编号被当成段落缩进。所以别只问"公式保不保留"，要问它能不能区分该翻的文字和不该动的字符。
英文翻中文，字符数缩到一半，版心跟着变：原来占满一栏的段落，译文只占半栏；原来刚好放下 Transformer (base) 的格子，中文只剩一半宽，短英文变长中文又可能撑成三行。按原坐标硬写就是溢出——压到相邻列、被裁掉。
正确做法是在原始边框内重新排版——按新宽度断行，行高不够往下撑，不影响相邻块。这也是"版式精排"在做的事：按原始边框重排表格、图注、双栏，不整页重画。整页重画一定走形，因为它放弃了原坐标。
6 张表分布在 5 页，但 Table 1 和 Table 2 所在的两页，连解析库都没检出表格结构。"有没有表格"不是文档属性，是解析结果。所以别问"支不支持表格"，要问"这张表它认不认得出"。三线表只有顶线、底线、表头线，没有竖线，最容易被漏掉。
1. 只传两页，挑三线表那页。 有线框的表谁都能做，没竖线的才见水平。
2. 翻完数图注。 这篇 10 条题注，看几条被拉成整行宽。
3. 翻一份跨页长表，看第二页表头在不在、行有没有串。
4. 数编号。 (1)(2)(3) 还在不在原位，参考文献 [12] 有没有错位。
四条过三条够用；有一条明显崩，复杂文档上还会再崩。
现在固定用翻呗翻译，参数照实写：24 种语言，单文件上限 300MB / 1500 页；四档按页计费，常规 1 积分/页、公式保留 5、版式精排 6、扫描件增强 9，要中英对照每页 +1；扫描件按语种走不同 OCR 通道，不是一套模型通吃。
短板照实说：手写体、竖排古籍识别率低；三栏以上极端排版仍可能错位；扫描件准确率比电子版低一档，模糊、倾斜、带底纹的先抽两页试。
---
下面是同一份文件同一页的对比，左原文右译文，中间没手工调过任何一个字：
看两处就够：Figure 2 的题注还贴在两个子图下面，没被拉成整行；公式 (1) 的分数结构、上下标、编号都在原位——这一页里超过一半的"字符"其实不是中文。
翻错的地方整篇没法用。所以别测一段散文，测一页有表、有图注、有公式的正文。数一下文档里的题注和表格数量，就知道该选哪档：图注表格多直接上重排档；整篇整栏正文，常规档够用。