All Posts

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 Ball Corporation 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 Tyler Technologies 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 A.O. Smith 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 Zebra Technologies 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 Bentley Systems 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 Marqeta 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

閱讀 SIGIR 2021 論文 Text-to-Text Multi-view Learning for Passage Re-ranking。如果說上一篇 ai-097（MMLF）管的是檢索的第一段「粗撈」，這篇管的就是第二段「精排（re-ranking）」。它的招數是多視角學習：在原本的「排序視角」之外，additionally 加一個「文字生成視角」（讓模型從段落反推出查詢），兩個目標共享同一個 T5 表徵一起訓練。結果是——不需要更多標註資料、也不用換更大的模型，就讓 T5-large 的精排效果追平參數量大 3.6 倍的 T5-3B。

閱讀 NAACL 2025 Findings 論文 MMLF: Multi-query Multi-passage Late Fusion Retrieval。這篇離開了前十篇的財報風險線，切進現代 LLM 驅動的檢索／RAG。核心主張很單純：用 LLM 把使用者問題拆成多個子問題、各自擴寫成假想文件、分別去檢索，最後用 Reciprocal Rank Fusion（RRF）把多份排名「晚融合」起來——而不是像 MILL 那樣把生成的段落全部黏成一坨文字再檢索。在 5 個 BEIR 資料集上，Recall@1k 平均提升 4%、最高 8%。三個消融實驗把每個設計選擇都驗證得很乾淨。

閱讀 ECIR 2013 論文 Risk Ranking from Financial Reports。它和上一篇 ai-095（COLING 2012）是同作者、同方法、同語料的雙胞胎——連 TF-IDF 結果表數字都完全相同。但這篇多做了一件事：把特徵從 TF-IDF 換成單純的 TF 再比一次，結果發現「排序顯著贏過回歸」這個結論，其實只在 TF-IDF 下成立；換成 TF，排序與回歸打平、且差異不顯著。這個但書讓「排序取代回歸」的主張變得更精確，也點出特徵設計的重要。