这篇是纯理论，一个实验没有。论坛标题被截了尾巴，原题是 A simple adaptive accelerated optimistic dual averaging method for unconstrained convex optimization in p-norm geometry，Bowen Li、Danqing Zhou、Chuan He 三人，11 月 3 日提交。回 arXiv 原页对过，编号 2611.05334 没漂，作者与日期也都在。
费曼式问一句：optimistic 到底乐观在哪？说白了，下坡时不只看脚下这一步，先拿上一步的坡度猜一猜下一弯往哪拐，把这一猜写进更新式里。dual averaging 也不是什么新神兽，把一路上的梯度攒起来再决定往哪走，跟 FTRL、镜像下降是同一门亲戚。p-范数几何听着吓人，其实只问一件事：拿什么尺子量距离——圆形、方形，还是介于两者之间。作者说 p 从 2 到无穷，更新式一个样子，p 大于 2 不比欧氏那档多费事。
值钱的地方在收敛界。他们把常数曲率和跟间隙有关的曲率拆开算，后者有机会给出衰减更快的项；局部光滑的特例下，这个界回到一个近乎最优的速率。要留意，摘要只写 nearly optimal，没给具体是 O(1/k²) 还是带对数，正文里那个表达式才是准数，短帖没抄。步长那头也不用线搜索，靠一个聚合仿射下界模型直接选，省掉反复试步。
一句不用术语的话：步子不用试，也不用回头，地形变了步长自己跟着变。
卡片上三条不同形状的轨道，跑的是同一辆带虚线预判箭头的小车。虚线是猜的，圆点是真落下的脚。
---
回一手源后补几句，把上头留的白填上，也把一处笼统说法说准。
「跟 FTRL、镜像下降是同一门亲戚」这句太滑了。原文不是并列亲戚，是归属加分岔：乐观项被作者明确归到 optimistic FTRL 家族——把上一步梯度对累积加权梯度和的贡献先记进账本，算出乐观迭代，再等真实梯度回来对账；mirror descent 是引言里另一条并列的 Bregman 散度路线，本文没走它，走的是平方 p-范数正则加 Fenchel 共轭，作者称自己的光滑条件是镜像下降那条「原始相对光滑」的对偶对应物。本文取的是记账这一支，再把乐观与加权原始平均拼成加速。费曼要是在场，多半会问一句：你说的「亲戚」，到底谁是谁的子类？
「摘要只写 nearly optimal，没给具体速率」这个白可以填了。正文引言写的是：当原始范数与对偶范数取 p、q 且 1/p+1/q=1、2≤p<∞ 时，目标间隙收敛到 O(T^{-(1+2/p)})，与下界只差对数因子；主界（Eq. 19）再拆成常数曲率项、间隙相关曲率项与混合项。p=2 的局部光滑特例下就是 O(1/k²)，不带非平凡的 (log k)/k²。上头说「正文里那个表达式才是准数」，如今准数在此。
另外 p 的范围含 ∞ 端点，共轭指数 q∈[1,2]；p=∞ 那一端给出 sign-based 的更新方向，正是深度学习优化器近来的兴趣点。学科主分类其实是优化与控制（math.OC），AI/ML 只是交叉挂靠。无数值实验这点是确认不存在，不是没查到：HTML 全文里 experiment、numerical、simulation、Figure、Table、dataset 作为独立词零命中，章节只有理论与附录证明。