TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1073 · 12.02

Во втором сезоне «Игры в кальмара» показано ещё больше дворовых южнокорейских игр, о которых я раньше не слышал. Но, похоже, что любому местному это всё хорошо знакомо, а персонажи обсуждали там, как они играли в это в детстве. Интересно, что такие вещи, по-видимому, не особо проникают в чужие культуры. Я нашёл только три знакомых механики: первая игра с куклой это наше «Море волнуется раз»; игра с каруселью это наша игра с беготнёй вокруг стульев, которых меньше на один, чем игроков; а набивание какой-то мягкой фигни на ноге это «сокс» :) Пофантазировал о том, как бы мог выглядеть такой сериал на основе нашей русской традиции дворовых игр. Называлось бы «Игра в квадрат». «Вышибалы» — игроки бегают между двумя рядами ведущих. У ведущих мячи с взрывчаткой, попадание убивает игрока. «Земельки» — если игрок теряет свою землю, его сдавливают стенками пропорционально оставшейся площади. «Жмурки» — у ведущего шприц с ядом, если догнал, то игроку конец. «Классики» — над пропастью с лавой. «Резиночки» — провода под напряжением. и так далее. Финал, собственно, игра в квадрат. Кто пропускает мяч, того убивают, квадрат превращается в треугольник, потом в прямоугольник. #life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #llvm

当前筛选 #llvm清除筛选
Android Broadcast

@android_broadcast · Post #9894 · 17.03.2026 г., 05:32

🤖Google ускорила ядро Android, скормив компилятору профили реального использования Команда LLVM toolchain в Google рассказала, как они применили AutoFDO (Automatic Feedback-Directed Optimization) к ядру Android — и результаты интересные. Идея простая: обычный компилятор принимает решения об оптимизациях на основе статических эвристик. Встроить функцию или нет, какая ветка условия чаще выполняется — всё это угадывается без реальных данных из приложений и пользовательских сценариев. AutoFDO меняет подход: компилятор получает профили реального выполнения кода и на их основе принимает куда более точные решения. Эта техника Google уже давно применяется к своей серверной инфраструктуре и ChromeOS, так что подход обкатанный и зарекомендовавший себя. Кто знаком с ART Profiles — идея покажется знакомой. Там тот же принцип: собираем данные о реальном выполнении, отдаём компилятору, получаем более точный нативный код. Только ART Profiles работают на уровне ART для Java/Kotlin-кода конкретного приложения, а AutoFDO — на уровне ядра, C/C++ и LLVM. Разные слои, одна философия. Для ядра профили собирают не с реальных устройств, а в лабораторных условиях: запускают топ-100 самых популярных приложений, используют simpleperf и аппаратные возможности ARM для записи истории ветвлений. Собранные данные показывают 85% совпадение с профилями реального парка устройств — этого достаточно, чтобы считать подход рабочим. Результаты на ядрах 6.1, 6.6 и 6.12: 👉 холодный старт приложений стал быстрее на ~4% 👉 время загрузки сократилось на ~1% 👉 ядро занимает ~40% CPU-времени на Android, так что любая оптимизация здесь ощутима Важный момент: AutoFDO не меняет логику кода, только влияет на решения компилятора — инлайнинг, раскладку кода. Функции, которые не попали в профили («холодные»), компилируются стандартным образом, без изменений. Сейчас это уже в проде — профили включены в ветки android15-6.6 и android16-6.12, так что устройства на этих ядрах уже собираются с AutoFDO. Pixel-устройства точно попадают в эту категорию. С другими производителями сложнее: многие используют сильно модифицированное ядро и не переходят на GKI из AOSP, так что там это может быть не применено вовсе. В планах — GKI-модули, вендорные модули через DDK и поддержка новых версий ядра. 🔗 Источник - блог Android Developers #Android#AndroidDev#Производительность#LLVM#Native