2024

3D重建领域有条不成文的铁律：输入越清晰，模型输出越精确。但2024年底一篇被arXiv收录的论文，正在系统性拆解这条铁律——它拿"拍糊"的失焦图像当训练数据，在Deblur-NeRF合成数据集的Factory场景上把LPIPS压到0.0489，比号称最懂模糊的BAGS又低了三成多；更离谱的是，它在NeRF-LLFF这种以"全清晰"著称的基准上，也反超了原生3DGS。这不是某项指标的偶然抖动，而是对"清晰即正义"这一行业信仰的正面宣战。 把"拍糊"塞进3D高斯球 传统3D Gaussian Splatting自2023年横空出世以来，靠"先把世界撒成一亿个发光小雪球、再用光栅化一帧帧画出来"的暴力美学，在实时性与画质之间撕开一道口子。但它的硬伤同样刺眼：默认输入是"理想针孔相机 …
more

一台搭载 M3 Max 的 MacBook Pro ，仅凭 Python 的 mpi4py 模拟分布式网络，就在三类任务——线性最小二乘、逻辑回归、 SVM——上把对标算法的收敛速度拉到了 12 倍。该怀疑的显然不是硬件配置，而是行业里那条流传了十余年的"分布式必然慢"铁律。问题在于，这条铁律究竟是被网络物理上限卡住的，还是被喂出来的？ 被高估的"经典算法" 分布式共识优化领域长期被一类"加权平均梯度法"（ WAGM ）所主导。它的逻辑看起来优雅：每个节点与邻居交换信息、加权求和，再以小步长做梯度下降——部署门槛低、理论分析成熟，似乎是教科书级别的稳妥首选。但论文对比实验给出了不留情面的答案：在三类任务上， WAGM 都需要远超 PPCM 的迭代轮数才能逼近同等精度，它牺牲的不是几十毫秒的延迟，而是十倍数量级的运行时间。换言之，被 …
more

顶级私募正在悄悄换血。他们抛弃的不只是某家 SaaS 厂商，而是一整套依赖外部工具的决策范式。arXiv 上一篇被广泛引用的研究把这件事讲得很透：投资行业正站在平台颠覆的"起飞段"，而绝大多数基金还没意识到，自己花大价钱买来的那套软件，正在变成阻碍竞争力的最大负资产。 第三方软件的四个死穴 买了十年彭博终端、堆着最贵 CRM 的基金，正在集体踩进同一个坑。 个性化缺位。第三方软件本质是"通用工具"。它不知道你这只基金专投 SaaS 早期轮、另一只死磕东南亚消费，所以它给出的 deal sourcing 清单永远是大路货。论文讲得直接：通用工具无法访问基金专属的投资论点，自然给不出真正差异化的推荐。 数据隐私悖论。把基金内部的组合数据、被投公司财务、上会纪要喂给第三方平台，等于把最核心的商业机密拱手让人。一家头部 PE 敢不敢把自己 LP 名单、估值模 …
more