2026-10-07 03:00:40 +02:00
|
|
|
"""scan → (candidates) → verify → apply → revert on a synthetic epub2md output, without any model."""
|
|
|
|
|
|
|
|
|
|
from __future__ import annotations
|
|
|
|
|
|
|
|
|
|
from pathlib import Path
|
|
|
|
|
|
|
|
|
|
from conftest import needs_latex, needs_pandoc
|
|
|
|
|
from formula_img2latex import pipeline
|
|
|
|
|
from formula_img2latex.cli import main
|
|
|
|
|
from formula_img2latex.engines.vlm import parse_answer, prepare_image
|
|
|
|
|
from formula_img2latex.sources.base import scan_markdown
|
|
|
|
|
from formula_img2latex.store import Workspace
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def _inject(ws: Workspace, by_asset: dict[str, str]) -> None:
|
|
|
|
|
"""Pretend an engine answered (tests must not need a model server).
|
|
|
|
|
|
|
|
|
|
The mechanics are tested here, not the calibrated thresholds (test_core.test_decision_rules),
|
|
|
|
|
so the contrast threshold is set low enough for the synthetic images.
|
|
|
|
|
"""
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
ws.settings["thresholds"] = {"min_contrast": 0.5}
|
|
|
|
|
ws.settings["decide"] = "pixel"
|
2026-10-07 03:00:40 +02:00
|
|
|
ws.save_meta()
|
|
|
|
|
for f in ws.all():
|
|
|
|
|
for name, tex in by_asset.items():
|
|
|
|
|
if f.asset.endswith(name):
|
|
|
|
|
f.candidates.append({"engine": "test", "model": "fixture", "tex": tex, "is_formula": True})
|
|
|
|
|
ws.save(f)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_scan_markdown_skips_code_and_detects_display(epub2md_dir: Path) -> None:
|
|
|
|
|
refs = scan_markdown(epub2md_dir / "chapters" / "001-kapitel.md")
|
|
|
|
|
assert [(r.target.rsplit("/", 1)[1], r.display) for r in refs] == [
|
|
|
|
|
("0001-inline.jpg", False), ("0002-display.jpg", True), ("0003-figure.png", True)]
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_scan_classifies(epub2md_dir: Path) -> None:
|
|
|
|
|
source, ws = pipeline.open_all(epub2md_dir, None, create=True)
|
|
|
|
|
pipeline.scan(source, ws, quiet=True)
|
|
|
|
|
labels = {f.asset.rsplit("/", 1)[1]: (f.classify["label"], f.known_formula) for f in ws.all()}
|
|
|
|
|
assert labels["0001-inline.jpg"] == ("formula", False)
|
|
|
|
|
assert labels["0002-display.jpg"] == ("formula", True) # epub2md warning
|
|
|
|
|
assert labels["0003-figure.png"][0] == "figure"
|
|
|
|
|
assert ws.root == epub2md_dir.parent / "buch.formulas"
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
@needs_latex
|
|
|
|
|
@needs_pandoc
|
|
|
|
|
def test_verify_apply_revert_roundtrip(epub2md_dir: Path) -> None:
|
|
|
|
|
source, ws = pipeline.open_all(epub2md_dir, None, create=True)
|
|
|
|
|
pipeline.scan(source, ws, quiet=True)
|
|
|
|
|
_inject(ws, {"0001-inline.jpg": r"L = \{ - \sqrt{2} , \sqrt{2} \}", # comma: wrong, repaired to ;
|
|
|
|
|
"0002-display.jpg": r"x_{2,k}=\arcsin\left(-\frac{3}{5}\right)+2k\pi"})
|
|
|
|
|
counts = pipeline.verify_all(source, ws, preset="cm", workers=2, quiet=True)
|
|
|
|
|
st = {f.asset.rsplit("/", 1)[1]: f for f in ws.all()}
|
|
|
|
|
inline = st["0001-inline.jpg"]
|
|
|
|
|
assert inline.verification["best"]["tex"].replace(" ", "") == r"L=\{-\sqrt{2};\sqrt{2}\}"
|
|
|
|
|
assert inline.status == "auto_accepted", inline.reason
|
|
|
|
|
assert sum(counts.values()) == 2
|
|
|
|
|
md = epub2md_dir / "chapters" / "001-kapitel.md"
|
|
|
|
|
before = md.read_text(encoding="utf-8")
|
|
|
|
|
|
|
|
|
|
pipeline.apply(source, ws, quiet=True)
|
|
|
|
|
after = md.read_text(encoding="utf-8")
|
|
|
|
|
assert "lautet $L = \\{ - \\sqrt{2} ; \\sqrt{2} \\}$." in after or "lautet $L=\\{-\\sqrt{2};\\sqrt{2}\\}$." in after
|
|
|
|
|
assert "```\n\n```" in after # code block untouched
|
|
|
|
|
assert "0003-figure.png" in after
|
|
|
|
|
pipeline.apply(source, ws, quiet=True) # idempotent
|
|
|
|
|
assert md.read_text(encoding="utf-8") == after
|
|
|
|
|
|
|
|
|
|
pipeline.revert(source, ws, quiet=True)
|
|
|
|
|
assert md.read_text(encoding="utf-8") == before
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
@needs_latex
|
|
|
|
|
def test_revert_refuses_hand_edited_files(epub2md_dir: Path) -> None:
|
|
|
|
|
source, ws = pipeline.open_all(epub2md_dir, None, create=True)
|
|
|
|
|
pipeline.scan(source, ws, quiet=True)
|
|
|
|
|
_inject(ws, {"0001-inline.jpg": r"L=\{-\sqrt{2};\sqrt{2}\}"})
|
|
|
|
|
pipeline.verify_all(source, ws, preset="cm", workers=1, quiet=True)
|
|
|
|
|
pipeline.apply(source, ws, quiet=True)
|
|
|
|
|
md = epub2md_dir / "chapters" / "001-kapitel.md"
|
|
|
|
|
md.write_text(md.read_text(encoding="utf-8") + "\nHandnotiz\n", encoding="utf-8")
|
|
|
|
|
assert pipeline.revert(source, ws, quiet=True)["skipped"] == 1
|
|
|
|
|
assert "Handnotiz" in md.read_text(encoding="utf-8")
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_cli_errors(tmp_path: Path, capsys) -> None:
|
|
|
|
|
assert main(["status", str(tmp_path / "fehlt")]) == 1
|
|
|
|
|
(tmp_path / "leer").mkdir()
|
|
|
|
|
assert main(["scan", str(tmp_path / "leer")]) == 2
|
|
|
|
|
assert "weder eine epub2md-Ausgabe" in capsys.readouterr().err
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_engine_answer_parsing() -> None:
|
|
|
|
|
assert parse_answer('{"is_formula": true, "latex": "x^2"}') == ("x^2", True)
|
|
|
|
|
assert parse_answer('```json\n{"is_formula": true, "latex": "\\frac{a}{b}"}\n```') == ("\\frac{a}{b}", True)
|
|
|
|
|
assert parse_answer('{"is_formula": true, "latex": "\\sqrt{2}"}') == ("\\sqrt{2}", True) # unescaped backslash
|
|
|
|
|
assert parse_answer('{"is_formula": false, "latex": ""}') == (None, False)
|
|
|
|
|
assert parse_answer("x_1 + x_2") == ("x_1 + x_2", None)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_prepare_image_enlarges_small_formulas(epub2md_dir: Path) -> None:
|
|
|
|
|
import io
|
|
|
|
|
|
|
|
|
|
from PIL import Image
|
|
|
|
|
data = (epub2md_dir / "media" / "images" / "0001-inline.jpg").read_bytes()
|
|
|
|
|
with Image.open(io.BytesIO(prepare_image(data, "x.jpg"))) as im:
|
|
|
|
|
assert im.height >= 96 and im.mode == "L"
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
|
|
|
|
|
|
|
|
|
|
# ------------------------------------------------------------------------------- consensus
|
|
|
|
|
|
|
|
|
|
def _reading(engine: str, model: str, tex: str | None, p_mean: float = 0.99, p_min: float = 0.8,
|
|
|
|
|
is_formula: bool = True) -> dict:
|
|
|
|
|
return {"engine": engine, "model": model, "tex": tex, "is_formula": is_formula, "p_mean": p_mean, "p_min": p_min}
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
@needs_latex
|
|
|
|
|
@needs_pandoc
|
|
|
|
|
def test_consensus_mode(epub2md_dir: Path) -> None:
|
|
|
|
|
source, ws = pipeline.open_all(epub2md_dir, None, create=True)
|
|
|
|
|
pipeline.scan(source, ws, quiet=True)
|
|
|
|
|
by = {f.asset.rsplit("/", 1)[1]: f for f in ws.all()}
|
|
|
|
|
inline, display = by["0001-inline.jpg"], by["0002-display.jpg"]
|
|
|
|
|
inline.candidates = [_reading("local", "A", r"L=\{-\sqrt{2};\sqrt{2}\}"),
|
|
|
|
|
_reading("local2", "B", r"L = \{ - \sqrt2 ; \sqrt2 \}")] # same, other spelling
|
|
|
|
|
display.candidates = [_reading("local", "A", r"x_{2,k}=\arcsin\left(-\frac{3}{5}\right)+2k\pi"),
|
|
|
|
|
_reading("local2", "B", r"x_{3,k}=\arcsin\left(-\frac{3}{5}\right)+2k\pi")] # differ
|
|
|
|
|
ws.save(inline)
|
|
|
|
|
ws.save(display)
|
|
|
|
|
pipeline.verify_all(source, ws, preset="cm", workers=2, quiet=True)
|
|
|
|
|
st = {f.asset.rsplit("/", 1)[1]: f for f in ws.all()}
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
assert pipeline.needs_third(st["0001-inline.jpg"]), st["0001-inline.jpg"].reason # A = B, C missing
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
assert st["0002-display.jpg"].status == "needs_review"
|
|
|
|
|
assert "uneinig" in st["0002-display.jpg"].reason
|
|
|
|
|
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
# the third reading confirms A = B -> accepted; for A != B a third reading does not decide 2:1
|
|
|
|
|
i, d = st["0001-inline.jpg"], st["0002-display.jpg"]
|
|
|
|
|
i.candidates.append(_reading("cloud", "C", r"L=\left\{-\sqrt{2};\sqrt{2}\right\}"))
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
d.candidates.append(_reading("cloud", "C", r"x_{2,k} = \arcsin(-\frac35) + 2k\pi"))
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
ws.save(i)
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
ws.save(d)
|
|
|
|
|
pipeline.verify_all(source, ws, preset="cm", workers=2, quiet=True)
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
i, d = ws.load(i.id), ws.load(d.id)
|
|
|
|
|
assert i.status == "auto_accepted" and "dritte Lesart bestätigt" in i.reason, i.reason
|
|
|
|
|
assert d.status == "needs_review"
|
|
|
|
|
|
|
|
|
|
# a disagreeing third reading blocks the acceptance
|
|
|
|
|
i.candidates[-1] = _reading("cloud", "C", r"L=\{-\sqrt{2};\sqrt{3}\}")
|
|
|
|
|
i.status = "pending"
|
|
|
|
|
ws.save(i)
|
|
|
|
|
pipeline.verify_all(source, ws, preset="cm", workers=2, quiet=True)
|
|
|
|
|
i = ws.load(i.id)
|
|
|
|
|
assert i.status == "needs_review" and "weicht ab" in i.reason, i.reason
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_consensus_rules() -> None:
|
|
|
|
|
from formula_img2latex.decide import consensus_thresholds, decide_consensus
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
th = consensus_thresholds({"min_p_mean": 0.9, "min_p_min": 0.3, "require_third": 0})
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
a, b = _reading("local", "A", "x^2"), _reading("local2", "B", "x^{2}")
|
|
|
|
|
veto = {"ok": True, "metrics": {"ncc": 0.9, "px_per_pt": 1.4}}
|
|
|
|
|
assert decide_consensus([a, b], [(0, 1, "normalform")], veto, True, 1.4, th)[0] == "auto_accepted"
|
|
|
|
|
assert decide_consensus([a, b], [], veto, True, 1.4, th)[0] == "needs_review" # disagree
|
|
|
|
|
low = _reading("local2", "B", "x^{2}", p_mean=0.7)
|
|
|
|
|
assert decide_consensus([a, low], [(0, 1, "normalform")], veto, True, 1.4, th)[0] == "needs_review" # unsure
|
|
|
|
|
bad = {"ok": True, "metrics": {"ncc": 0.5, "px_per_pt": 1.4}}
|
|
|
|
|
assert decide_consensus([a, b], [(0, 1, "normalform")], bad, True, 1.4, th)[0] == "needs_review" # veto
|
|
|
|
|
big = {"ok": True, "metrics": {"ncc": 0.9, "px_per_pt": 1.8}}
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
sized = {**th, "veto_scale_dev": 0.15}
|
|
|
|
|
assert decide_consensus([a, b], [(0, 1, "normalform")], big, True, 1.4, sized)[0] == "needs_review" # size check on
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
assert decide_consensus([a, b], [(0, 1, "normalform")], veto, False, 1.4, th)[0] == "needs_review" # pandoc
|
|
|
|
|
nf = [_reading("local", "A", None, is_formula=False), _reading("local2", "B", None, is_formula=False)]
|
|
|
|
|
assert decide_consensus(nf, [], None, True, 1.4, th)[0] == "not_formula"
|
|
|
|
|
assert decide_consensus([a], [], veto, True, 1.4, th)[0] == "needs_review" # one model
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
strict = consensus_thresholds() # default: third must agree
|
|
|
|
|
c = _reading("cloud", "C", "x^2")
|
|
|
|
|
assert decide_consensus([a, b], [(0, 1, "normalform")], veto, True, 1.4, strict)[0] == "needs_review"
|
|
|
|
|
assert decide_consensus([a, b, c], [(0, 1, "normalform"), (0, 2, "normalform"), (1, 2, "normalform")],
|
|
|
|
|
veto, True, 1.4, strict)[0] == "auto_accepted"
|
|
|
|
|
assert decide_consensus([a, b, c], [(0, 2, "normalform")], veto, True, 1.4, strict)[0] == "needs_review" # no 2:1
|
feat: Konsens zweier Bildmodelle als Entscheider, elastischer Bildvergleich
Entscheidung (Standard: decide=consensus):
- Zwei lokale Vision-Modelle (local: Qwen3-VL, local2: Gemma 4) lesen jedes
Formelbild; angenommen wird nur bei inhaltlicher Übereinstimmung
(Normalform oder Render-Gleichheit), Pandoc-Prüfung und grobem Bild-Veto
- Optional dritte Lesart als Gegenprobe (require_third) bzw. Stichwahl
- Fettdruck standardmäßig irrelevant (bold_relevant=0)
- Token-Wahrscheinlichkeiten aus Logprobs (p_min, p_mean) statt Selbsteinschätzung;
"Nachdenken" lokaler Modelle abgeschaltet (Gemma 4: ~10x schneller)
- consensus.py: Normalform auf Baumbasis (Abstände, \left/\right, kursiv/aufrecht,
Längenvarianten, Matrix-Umgebungen, TeX-Umlaute, \atop), Render-Vergleich
Bildvergleich (Veto und Pixel-Modus decide=pixel):
- Elastische Ausrichtung per DTW über Spalten und Zeilen; Dehnen kostet
proportional zur Tinte, Varianten nutzen die Verzerrung des Kandidaten
- Layouttreue Prüfvarianten, Äquivalenzklassen, rauschnormierter Kontrast
Werkzeuge: calibrate --consensus, tools/vergleich.py (50er-Stichprobe mit Bildern),
tools/konsens_bericht.py (Übersichtsseite); Ausgaben in vergleich/ (nicht versioniert)
Messung Göllmann (2 x 150 Formeln, Fettdruck egal): Qwen = Gemma = GLM
angenommen 61 % / 57 %, davon falsch 0; Qwen = Gemma allein: 1 bzw. 2 Fehler.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 05:01:27 +02:00
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_canonical_form() -> None:
|
|
|
|
|
from formula_img2latex.consensus import canonical
|
|
|
|
|
same = [(r"x^{2}+y^{2}", "x^2 + y^2"), (r"\vec{b}", r"\overrightarrow{b}"), (r"\left(a\right)", "(a)"),
|
|
|
|
|
(r"\mathrm{d}x", "dx"), (r"\frac{1}{2}", r"\dfrac12"), (r"{\mathrm{e}}^{x}", "e^x"), (r"x\le1", r"x \leq 1"),
|
|
|
|
|
(r"\mathbf{v}", r"\boldsymbol{v}")]
|
|
|
|
|
differ = [(r"x_{2,k}", r"x_{2;k}"), ("x^{2}", "x_{2}"), (r"\mathbb{R}", "R"), ("a_{n+1}", "a_n+1"),
|
|
|
|
|
(r"\frac{a}{b+c}", r"\frac{a}{b}+c"), (r"x \in t", r"x \int"), (r"\sqrt[3]{x}", r"\sqrt{x}")]
|
|
|
|
|
assert all(canonical(a) == canonical(b) for a, b in same)
|
|
|
|
|
assert all(canonical(a) != canonical(b) for a, b in differ)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_logprob_confidence() -> None:
|
|
|
|
|
import math
|
|
|
|
|
|
|
|
|
|
from formula_img2latex.engines.vlm import latex_token_probs, parse_confidence
|
|
|
|
|
content = '{"is_formula": true, "latex": "x^{2}", "confidence": 97}'
|
|
|
|
|
toks = ['{"', "is", "_formula", '": ', "true", ', "', "latex", '": "', "x", "^{", "2", "}", '", "', "confidence",
|
|
|
|
|
'": ', "97", "}"]
|
|
|
|
|
items = [{"token": t, "logprob": math.log(0.5 if t == "2" else 0.99)} for t in toks]
|
|
|
|
|
p_min, p_mean = latex_token_probs(content, items)
|
|
|
|
|
assert p_min == 0.5 and 0.8 < p_mean < 0.9 # only the four LaTeX tokens count
|
|
|
|
|
assert parse_confidence(content) == 97
|
feat: 0.2.0 – Konsens Qwen = Gemma = GLM als Standard, Gehrke komplett verarbeitet
- Dritte Lesart (GLM-4.6V über OpenRouter, ohne Nachdenken) muss zustimmen;
keine 2:1-Annahme; fehlender Schlusspunkt der dritten Lesart zählt nicht
- run in Paketen zu 50 mit Statuszeile, beide lokalen Modelle parallel,
GLM nur für Einige; nur die übernommene Lesart wird gegen das Bild geprüft
- Bild-Veto: Ähnlichkeit >= 0,65, Schriftgrößen-Prüfung abgeschaltet
- Antworten auf 800 Tokens begrenzt; Prompt-Version und Nachdenk-Einstellung
im Cache-Schlüssel; Verfahrensversion für Prüfergebnisse
- Behoben: Gleichungsnummern aus alten Lesarten ("(3.7)"), gleichzeitiges
Speichern zweier Engines, Absturz bei Formeln ohne aktuelle Lesart
- apply: deutsches Dezimalkomma 3{,}6; Review-Galerie zeigt aktuelle Lesarten
- tools/vergleich.py auf Konsens-Ablauf umgestellt
- Doku: README, BEDIENUNGSANLEITUNG, neues CHANGELOG
Gehrke-Brückenkurs: 942 von 1505 Formelbildern automatisch ersetzt (63 %),
62 von 62 von Hand geprüften korrekt; Pandoc/MathML 945 von 945.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-07 07:58:16 +02:00
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_equation_number_only_from_chosen_reading() -> None:
|
|
|
|
|
from formula_img2latex.store import Formula
|
|
|
|
|
f = Formula(id="f-x-d", sha256="x", asset="a.png", display=True)
|
|
|
|
|
f.candidates = [{"engine": "local", "model": "old", "tex": r"a=b \tag{3.7}"}] # an old, hallucinated number
|
|
|
|
|
assert pipeline._with_tag(f, "a=b") == "a=b"
|
|
|
|
|
assert pipeline._with_tag(f, r"a=b \tag{2.1}") == r"a=b\qquad\text{(2.1)}"
|
|
|
|
|
f.display = False
|
|
|
|
|
assert pipeline._with_tag(f, r"a=b \tag{2.1}") == "a=b"
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_german_decimal_comma(epub2md_dir: Path) -> None:
|
|
|
|
|
import json
|
|
|
|
|
source, _ws = pipeline.open_all(epub2md_dir, None, create=True)
|
|
|
|
|
assert source.format_math("3,6 + (1,2)", False) == "$3,6 + (1,2)$" # no language: unchanged
|
|
|
|
|
rep = json.loads((epub2md_dir / "conversion-report.json").read_text())
|
|
|
|
|
rep["metadata"] = {"language": "de"}
|
|
|
|
|
(epub2md_dir / "conversion-report.json").write_text(json.dumps(rep))
|
|
|
|
|
source, _ws = pipeline.open_all(epub2md_dir, None)
|
|
|
|
|
assert source.format_math(r"\frac{72}{3,6} = 20, x", True) == r"$$\frac{72}{3{,}6} = 20, x$$"
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
def test_verify_skips_formulas_without_current_reading(epub2md_dir: Path) -> None:
|
|
|
|
|
source, ws = pipeline.open_all(epub2md_dir, None, create=True)
|
|
|
|
|
pipeline.scan(source, ws, quiet=True)
|
|
|
|
|
f = next(f for f in ws.all() if f.asset.endswith("0001-inline.jpg"))
|
|
|
|
|
f.candidates = [{"engine": "local", "model": "A", "tex": "x", "is_formula": True, "prompt": 1}, # old reading
|
|
|
|
|
{"engine": "local", "model": "A", "tex": None, "is_formula": False, "prompt": 2}] # current: none
|
|
|
|
|
ws.save(f)
|
|
|
|
|
pipeline.verify_all(source, ws, preset="cm", workers=1, quiet=True) # must not crash
|