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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #128 · 2.01

Стоило написать личный пост — минус один подписчик. Похоже, основная проблема в том, что люди, проголосовавшие за личный блог, не станут отписываться от технического. А вот наоборот — станут. Но пофигу. Мне давали разные советы, но у них было одно общее: рекомендовали писать чаще. Так что объявляю себе челлендж: пост каждый день. Буду дублировать ВКонтакте и в Телеграме. В общем, я вас задолбаю постами, лучше сразу отписывайтесь. 365 дней - 365 постов (или больше). При этом имеется ввиду бытовой день, а не астрономический — то есть в моем случае промежуток с 5:00 до 5:00, так что этот пост за 1 января. На текущий момент ВКонтакте 5791 подписчик. В среднем у поста там пара десятков комментариев и полсотни-сотня лайков. В Телеграме 224 подписчика, и у поста в среднем до десяти комментариев, то есть активность в 3-5 раз ниже. Моя цель посмотреть: 1. Влияет ли на прирост или убыль подписчиков частота постинга в Телеграме. 2. Было ли ошибочным решение вести канал как личный, а не тематический. 3. Что произойдет с активностью людей ВКонтакте от увеличения частоты постинга. Через год посмотрим. #web#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