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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1076 · 21.02

Посудомойка это отличная вещь, но с ней есть проблема: пока она набирается, ты просто ставишь сразу туда все тарелки, но вот когда она закончила мыть, кто-то должен целиком её разобрать и переместить посуду в шкаф для хранения. До этого момента тарелки копятся в раковине или моются вручную (потому что помыть одну тарелку сильно дешевле по затрате времени, чем разобрать всю посудомойку). Подумал о том, что хорошо бы иметь две посудомойки: одна копится, из второй достаётся чистая посуда, а потом они меняются местами. Бонусом это позволяет полностью избавиться от отдельного шкафа для хранения. Но, вот беда, даже очень большой посудомойки не хватит на половину всей посуды и кухонной утвари, которая обычно нужна семье, особенно если в семье ещё и готовят. Выходит, нужно иметь N посудомоек, где N = [общий объём посуды] / [вместимость одной посудомойки]. Для нашей семьи навскидку получилось бы 3-4, что уже конечно не слишком адекватно. С третьей стороны, можно чётко разделить стратегический запас посуды (большие кастрюли, редкая утварь для выпечки, сервизы для праздников), который достаётся редко, и тактический запас посуды, используемой постоянно. В такой ситуации для описанного выше цикла должно хватить и двух машин. Останется сделать систему, которая всегда будет однозначно идентифицировать, из какой посудомойки доставать посуду, а в какую класть в текущий период времени. Наша кухня, к сожалению, таких модификаций не позволяет. Вообще, в ней и для одной машины не было предусмотрено место, мне пришлось буквально выпиливать его из одного из шкафов. Но если когда-нибудь будем переезжать и увеличивать кухню, эту мысль стоит обдумать. #life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #optimizatio

当前筛选 #optimizatio清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8587 · 19.09.2025 г., 09:09

🚀 SakanaAI представил Robust Agentic CUDA Kernel Optimization Это новый подход, где LLM помогает оптимизировать CUDA-ядра для PyTorch. • Слияние операций ускоряет forward/backward-проходы, результаты выше стандартных Torch-базлайнов • Полный пайплайн: PyTorch → генерация CUDA-кода → эволюционная оптимизация во время работы • Проверка через LLM: модели автоматически отмечают неправильные ядра (дает +30% к производительности) • robust-kbench — собственный бенчмарк, где измеряют не только скорость, но и корректность работы LLM Авторы пишут о 2.5x ускорении над PyTorch eager и даже 6x в линейных операциях❗️ Но большинство примеров — это тесты на слияние операций с неотюненной базой, так что цифры спорные. К тому же PyTorch 2.5 уже внедряет похожие оптимизации ), поэтому такие рекорды могут быстро обесцениться. Это интересный подход к самообучающимся AI-компиляторам, но заявленные ускорения стоит проверять на праактике. 🟢Github: https://github.com/SakanaAI/robust-kbench 🟢Статья: https://arxiv.org/abs/2509.14279 @ai_machinelearning_big_data #AI#CUDA#PyTorch#SakanaAI#LLM#Optimizatio