内容中心 › 公式
脚本跑完，输出一行：950 → 811。少了 139 个公式字形，14.6%。
第一反应是公式被译文吞了。把范围从整份文件缩到单页、再缩到单个 span，结论反过来：公式一个都没丢，是统计口径在骗我。
素材是 arXiv:1706.03762 那篇 15 页 Transformer 论文，原文 2.22MB，常规档译文 2.43MB，页数都是 15 页。数字全从两份 PDF 的对象层提取，口径写在文末。
| 指标 | 原文 | 译文 | 差异 |
|---|---|---|---|
| 页数 | 15 | 15 | 没变 |
| 文件体积 | 2.22 MB | 2.43 MB | +9.5% |
| 文字层字符 | 38,450 | 17,277 | 44.9% |
| 矢量绘制块 | 2,710 | 2,710 | 逐页相同 |
| 位图块 | 3 | 13 | +10 |
| 公式系列字形 | 950 | 811 | −139 |
字数那行不能用来判断公式，翻成中文必然掉一半。第四行才是关键：2,710 个矢量块，15 页逐页对下来完全相同。线、框、表格边、图里箭头，数量一个不差，位置也没挪——译文不是重画页面，是把原文对象搬过去、只换文字。
公式字体（CMR / CMMI / Symbol 系列）逐页数：p8 168→112，p3 51→12，p7 149→134，p5、p6 各差 12、11，合计 −139。
p3 掉得最狠，76% 没了：它的公式全嵌在正文行里，不像 p5、p6 独立成行。
p3 那句 LayerNorm 公式，原文是一个 span 走完，译文被切成好几段：
原文 CMR10 'LayerNorm('
译文 Times-Roman 'LayerN' + 'orm('
CMMI10 'x' + CMR10 '+' + Times-Roman '+ Sublayer('
三件事同时发生：单词被切成 LayerN 和 orm(；SubLayer 大小写变成 Sublayer；数字 6、512 从 CMR10 换成 Times-Roman。
脚本只数数学字体，字母数字一挪进 Times-Roman 就不计数了，139 个差值大半这么来的。
但也别急着说没事。斜体变量 x 还在 CMMI10，等号加号还在 CMR10，数学排版没被拍平成正文，这部分真保住了。损伤在切词和大小写：SubLayer 变成 Sublayer，粘进代码就是错的。公式用来看没问题，用来复制就有问题。
原文位图 3 张，译文 13 张，多出来的全在 p13、p14、p15，共 296 万像素；这三页恰好是矢量最密的三页，绘制块 624、1030、947。
这是转换侧对高密度矢量页做的栅格化保护：页数、内容不变，代价是那几页放大后偏软。它极易被误判成「公式被转成图片」。
1. 先对矢量块。 逐页比 get_drawings()，能对上说明骨架没重画。
2. 把字体算全。 只数数学字体，必然把「换字体」看成「丢字」。
3. 抽一句公式看 span 切分。 单词被切成两段、大小写被改，是重排的痕迹。
4. 看位图增量落在哪几页。 落在热力图、密集矢量页上属正常保护。
翻呗翻译支持 24 种语言，单文件 300MB / 1500 页，四档按页计费：常规 1、公式保留 5、版式精排 6、扫描件增强 9 积分每页，中英对照每页加 1。版式精排按原始边框重排表格、图注、双栏，不整页重画；扫描件按语种分 OCR 通道。
边界也讲清楚：手写体和竖排古籍识别率低；三栏以上版面可能错位；扫描件准确率整体比电子版低一档。上面这份是单栏电子版，属好处理的一类；双栏密排期刊版式，公式被切碎的几率更高。
公式能不能复制，比能不能看重要：要往 Word 里贴、往代码里抄，就按第三步抽一句试试。
---
取数口径：fitz 逐页取矢量块数、位图数、span 与字体字符数；公式字体按名称含 CMR / CMMI / Symbol / STIX / Math 计，脚本 tools/csdn_measure_vectors.py 可复现。