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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1192 · 24.12

А вот топы публикаций на Хабре за год, например. Рейтинг В топе по рейтингу характерно в основном UGC, и там либо очень болезненные нетехнические темы (моя про собесы, ниже про ИИ и ненормальность), либо очень интересно написанные технические. Прикольно, что топ-2 статья про 2ГИС, где я теперь работаю, и этим событием заканчивается моя статья выше про собесы. Можно читать сверху вниз, сквозной сюжет. Но про 2ГИС не моя, была ещё раньше: статья о фейковых отзывах, очень годная, вроде как наши сразу взяли в работу, как она появилась. И не могу не заметить топ-6 статью, где автор рассказывает, как его задолбала ИИ-истерия везде, и в айти особенно. Просмотры В топе по просмотрам хайповая фигня, куда либо компании льют траффик (ИИ), либо просто приходят залётные юзеры из поиска (про вотсап). Там вообще почти весь топ это вотсап и макс, скукота. Комментарии Ожидаемо политота и холиварные топики. Полит-срачи вообще очень затягивающая штука, я попадаю в них чаще, чем хотелось бы, к сожалению. И я прям иногда по рукам себя бью, чтобы не писать политически окрашенные посты в этот блог, даже если тема кажется мне прям супер однозначной и не допускающей никакой дискуссии. В целом на Хабр оказывается написали 50к материалов за год (новости + статьи). Многие дублируют туда свои личные телеграм-каналы или вообще постят любой медиа-мусор пачками. Но даже с учётом этого 50к это прям очень много. #web@clockstackwheels

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