外媒评测《霍格沃茨》PC表现：图形优秀、光追欠佳
评测配置为Intel i9 9900K、3800Mhz 的 16GB DDR4、AMD 的 Radeon RX580、RX Vega 64、RX 6900XT、RX 7900XTX、NVIDIA 的 GTX980Ti、RTX 2080Ti、RTX 3080 和 RTX 4090，以及 Windows 10 64 位，GeForce 528.49 和 Radeon Software Adrenalin 2020 Edition 22.11.2 驱动程序。
测试结果显示，《霍格沃茨之遗》的优化相当不错，对显卡的要求不算高，能够在大部分的PC配置上流程运行。游戏的画面效果十分优秀，包括全局光照、纹理和3D建模，但光追的表现却不尽如人意。外媒还强烈建议有条件的玩家开启DLSS 2进行游玩，质量模式下RTX 3080能够实现稳定的4K/60fps。
除了光追效果表现平平外，卡顿的现象也时有发生，希望官方能在后续推出补丁修复改进。
评测配置为Intel i9 9900K、3800Mhz 的 16GB DDR4、AMD 的 Radeon RX580、RX Vega 64、RX 6900XT、RX 7900XTX、NVIDIA 的 GTX980Ti、RTX 2080Ti、RTX 3080 和 RTX 4090，以及 Windows 10 64 位，GeForce 528.49 和 Radeon Software Adrenalin 2020 Edition 22.11.2 驱动程序。
测试结果显示，《霍格沃茨之遗》的优化相当不错，对显卡的要求不算高，能够在大部分的PC配置上流程运行。游戏的画面效果十分优秀，包括全局光照、纹理和3D建模，但光追的表现却不尽如人意。外媒还强烈建议有条件的玩家开启DLSS 2进行游玩，质量模式下RTX 3080能够实现稳定的4K/60fps。
除了光追效果表现平平外，卡顿的现象也时有发生，希望官方能在后续推出补丁修复改进。
外媒Dsogaming对《霍格沃茨之遗》PC平台的表现进行了评测，一起来了解一下。
Dsogaming的评测配置为Intel i9 9900K、3800Mhz 的 16GB DDR4、AMD 的 Radeon RX580、RX Vega 64、RX 6900XT、RX 7900XTX、NVIDIA 的 GTX980Ti、RTX 2080Ti、RTX 3080 和 RTX 4090，以及 Windows 10 64 位，GeForce 528.49 和 Radeon Software Adrenalin 2020 Edition 22.11.2 驱动程序。
测试结果显示，《霍格沃茨之遗》的优化相当不错，对显卡的要求不算高，能够在大部分的PC配置上流程运行。游戏的画面效果十分优秀，包括全局光照、纹理和3D建模，但光追的表现却不尽如人意。Dsogaming还强烈建议有条件的玩家开启DLSS 2进行游玩，质量模式下RTX 3080能够实现稳定的4K/60fps。
除了光追效果表现平平外，卡顿的现象也时有发生，希望官方能在后续推出补丁修复改进。
Dsogaming的评测配置为Intel i9 9900K、3800Mhz 的 16GB DDR4、AMD 的 Radeon RX580、RX Vega 64、RX 6900XT、RX 7900XTX、NVIDIA 的 GTX980Ti、RTX 2080Ti、RTX 3080 和 RTX 4090，以及 Windows 10 64 位，GeForce 528.49 和 Radeon Software Adrenalin 2020 Edition 22.11.2 驱动程序。
测试结果显示，《霍格沃茨之遗》的优化相当不错，对显卡的要求不算高，能够在大部分的PC配置上流程运行。游戏的画面效果十分优秀，包括全局光照、纹理和3D建模，但光追的表现却不尽如人意。Dsogaming还强烈建议有条件的玩家开启DLSS 2进行游玩，质量模式下RTX 3080能够实现稳定的4K/60fps。
除了光追效果表现平平外，卡顿的现象也时有发生，希望官方能在后续推出补丁修复改进。
几篇论文实现代码：
《Open Relation and Event Type Discovery with Type Abstraction》(EMNLP 2022) GitHub: github.com/raspberryice/type-discovery-abs [fig3]
《Learning Causal Effects on Hypergraphs》(KDD 2022) GitHub: github.com/jma712/HyperSCI
《EfficientLO-Net: Efficient 3D Deep LiDAR Odometry》(PAMI 2022) GitHub: github.com/IRMVLab/EfficientLO-Net [fig5]
《Reversible Vision Transformer》(2023) GitHub: github.com/karttikeya/minREV
《CHiLS: Zero-Shot Image Classification with Hierarchical Label Sets》(2023) GitHub: github.com/acmi-lab/CHILS [fig4]
《PredRecon: A Prediction-boosted Planning Framework for Fast and High-quality Autonomous Aerial Reconstruction》(2023) GitHub: github.com/HKUST-Aerial-Robotics/PredRecon [fig2]
《Better Diffusion Models Further Improve Adversarial Training》(2023) GitHub: github.com/wzekai99/DM-Improves-AT
《LongEval: Guidelines for Human Evaluation of Faithfulness in Long-form Summarization》(2023) GitHub: github.com/martiansideofthemoon/longeval-summarization
《Adding Conditional Control to Text-to-Image Diffusion Models》(2022) GitHub: github.com/lllyasviel/ControlNet [fig1]
《Vega-MT: The JD Explore Academy Machine Translation System for WMT22》(2022) GitHub: github.com/JDEA-NLP/Vega-MT
《Open Relation and Event Type Discovery with Type Abstraction》(EMNLP 2022) GitHub: github.com/raspberryice/type-discovery-abs [fig3]
《Learning Causal Effects on Hypergraphs》(KDD 2022) GitHub: github.com/jma712/HyperSCI
《EfficientLO-Net: Efficient 3D Deep LiDAR Odometry》(PAMI 2022) GitHub: github.com/IRMVLab/EfficientLO-Net [fig5]
《Reversible Vision Transformer》(2023) GitHub: github.com/karttikeya/minREV
《CHiLS: Zero-Shot Image Classification with Hierarchical Label Sets》(2023) GitHub: github.com/acmi-lab/CHILS [fig4]
《PredRecon: A Prediction-boosted Planning Framework for Fast and High-quality Autonomous Aerial Reconstruction》(2023) GitHub: github.com/HKUST-Aerial-Robotics/PredRecon [fig2]
《Better Diffusion Models Further Improve Adversarial Training》(2023) GitHub: github.com/wzekai99/DM-Improves-AT
《LongEval: Guidelines for Human Evaluation of Faithfulness in Long-form Summarization》(2023) GitHub: github.com/martiansideofthemoon/longeval-summarization
《Adding Conditional Control to Text-to-Image Diffusion Models》(2022) GitHub: github.com/lllyasviel/ControlNet [fig1]
《Vega-MT: The JD Explore Academy Machine Translation System for WMT22》(2022) GitHub: github.com/JDEA-NLP/Vega-MT
✋热门推荐