[hao2530]

背景

文章识别和独立论文验证脚本中的现代 arXiv 正则只接受五位序号，导致 arXiv:1409.0473 这类四位序号无法进入确定性的论文识别链路。

arXiv 官方标识规范规定 2007-04 至 2014-12 使用四位序号，2015-01 起使用五位序号。本次修复覆盖两种形式，不引入额外模型调用。

修改

• 同步修正 fastinsight/article.py 和 scripts/verify_paper.py，接受四位或五位现代编号。
• 保留版本号、旧分类式 ID、现有 DOI 优先级及 canonical URL 规则。
• 为标签式、裸编号、abs/pdf URL、版本号及文章 HTML 提取增加回归。
• 防止将过长数字串截取成合法编号；不扩展到日期有效性校验或无关的来源域名分类问题。

验证与范围

• 修复前定向 26 个测试方法产生 90 条失败记录（含 subTest），0 errors；四位编号提取为空，超长数字被误截断。
• 修复后定向 26/26、全量 unittest 57/57 通过（原有 45 项、新增 12 项）。
• 命令：PYTHONDONTWRITEBYTECODE=1 python3 -B -m unittest discover -s tests -v；git diff --check 通过。
• 本地 Python 3.13.7；使用离线样例和现有测试，不调用真实飞书、LLM、FastResearch 或 arXiv 查询接口。

协作与状态

提交前使用 gh 复核：默认分支仍为 4dd0f14，仅有 main，无开放 PR 或可见重叠分支；公开信息无法排除私有或线下工作。

先以 draft 提交，独立评审完成后转 ready for review。不变更发布路径、凭据或运行配置，不代表可以跳过维护者审查直接合并。

独立评审（2026-11-09）

• 未参与实现的审阅者未发现本次引入的实质缺陷；禁止网络后57项测试仍全部通过，另有1116次补充断言通过。
• 在内存恢复基线正则后，同组测试出现90条失败记录、0 errors，确认测试真实覆盖问题。
• PR 当前没有报告远端检查，不能写成“CI 全绿”；以上为本地与独立复跑证据。
• arXiv HTML URL 等原有支持范围之外的场景未在本次扩展。

[HsukqiLee]

已在最新 main 合并结果 ce1a9df 上复跑 Linux 全量 unittest：57/57 通过。Windows 首轮存在 fcntl/默认编码限制，未计为通过。合并结果已推送；本 PR 没有远端 checks。