首先，同价格，且一手全新的情况下，新卡的“帧价比”，一定是高于老卡的。否则新卡没有意义。所以，假设你的老卡比新卡“帧价比”高，那你就要怀疑一下这个老卡的“一手全新”是否属实。

其次，非一手全新情况下，30 系的非正常使用情况比较突出，所以要注意质量风险。

最后，40 系有 DLSS3 ，30 系没有。

刚才又思考了一下，像篮球、足球比赛这种实体很少的模拟，其实用纯脚本也不是不行，只不过显得没那么极客。

1 、对能力、策略、状态、战术、场外因素进行数值化。
2 、针对球员这个实体，做一个基于以上数值化信息的策略脚本(包含无干扰、干扰*n 两种，毕竟一个球员同一时刻能执行的动作极其有限）。
3 、编写剧情脚本（依据数值化有既定脚本执行，比如数值符合某规则的球员，三分球越投数值越高，直到 miss ）
3 、针对球队，做一个基于策略+球员数值的策略脚本。
4 、编写一个赛场中 10 个实体的状态机（不能出现瞬移等情况）。

最近几作不清楚，但过去的是两套系统，既复杂的实时模拟+简单的公式+随机。（用于快速跳过日期）

足球经理、2K/NBA live 里面的经理模式都是如此。但凡是能“跳过时间”的，都是公式+随机。
所以你会发现快速跳过某场比赛与加速模拟某场比赛在结果上有很大差异。

至于说实时模拟部分的逻辑，如果让我设计，就是博弈树+随机+球员状态+公式+一些既定脚本来加权。
举个例子，足球经理很老的作品里，在关键比赛中（升降级，淘汰赛，对手总体数值和我方相似，恶劣天气），很容易出现我队落后，你决策换人，此人力挽狂澜的这种既能刺激多巴胺，又比较俗套的剧本。

“朋友的 4060 本没有掉帧问题”，朋友的游戏设置和你的完全一样么？

特殊场景下，显卡核心占用率掉到 50%，CPU 、内存、显存占用率如何？

@laoooo #2 40MB ，一万张图，“基准图”有几张？也就是需要支持几个分组？
需要抗翻转、裁切、偏移么？相似度的阈值大概是多少？

如果需要抗偏移，感觉 1 分钟基本上做不到。

一万张图的总大小是多大？

不是。
并行计算（也就是英伟达的 CUDA ）一直是 NV 的一个重点方向。

目前不能。
这也是为何 Copilot 被集体诉讼的原因。

现在的机器学习 AI 的训练材料获取、模型、生成参数、产出，都是法外之地。

拿高分不是不行，但不稳定，且没有稳定输出的方法。

1 、现有的机器学习 AI 因为监督学习和强化学习的方法问题，输出内容有很大的杜撰与随机成分。也就是只认逻辑（相关性），不认事实（因果性）。
2 、现有的 AI 句式繁琐（部分信息解释说是因为要实现上下文逻辑原因）。
3 、离线的 AI 模型知识量有限，信息有时效性限制。线上 AI 的与“高考”这个场景初衷相违背。

至于说阅卷老师是否能够识别 AI 作品，我认为这个问题其实是个伪命题。

软件架构 overkill 应该是近 10 年来一直存在的问题。

一是很多软件公司承受不了业务扩展后的重构，不如就那业界最优解一把梭。又稳定，成功率又高，参考资料还多。
二是随着硬件性能的提高，复杂架构的弊端逐渐变得不明显。同时快速迭代的互联网公司兴起，导致对于员工的可替代性、标准化要求非常高。所以复杂架构就越来越变成必然。

btw：楼主这个项目的思路挺有意思。有点行为艺术的意味在里面。

@ilovecn #11 我说的不够严谨，理想 HDR 显示器并不会损失信息，但是人眼接收到的会损失。

楼上很多人搞错了显示层面上的 HDR 和摄影层面上的 HDR 。

摄影层面上的高动态范围是多重曝光合成。亮部不过曝，暗部不欠曝。是一种不真实的“信息叠加”。
显示层面上的 HDR 相反，是亮部巨亮，暗部巨暗，相较而言是一种贴近现实的光效模拟，但“信息损失”。

商业的本质是包装（信息差），所有行业皆准。
谁先入局，谁先培养了用户习惯，谁就赢得了先机。

巴斯夫的一个马上专利过期的弹性技术，阿迪达斯炒了多少年。
一提“踩屎”，就是 boost ，就是 UB 、椰子。
就跟一提瑜伽就是 lululemon 一样。

你可以做，不如你来定义标准教其他人如何做。

你理解的 T+0：买入了之后，我发现我买反了，我就直接卖，顶多亏一个手续费。

真实的 T+0：
买入前的十分钟，阳线，黄金叉，一切向好。
买入后刷了个牙回来刚要上床，发现大阴线，死叉。赶紧卖。
躺床上刷一下手机，发现又阳线了，再买入。
早上起来，硅谷银行暴雷。