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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #131 · 4.01

Инструмент, которым мы делаем работу, очень важен. Да, хороший мастер плохим инструментом сделает лучше, чем плохой — хорошим. Но если речь об эмоциях и удовольствии от работы, здесь удобный и приятный в использовании инструмент значит очень многое. Я ненавидел сверлить стены, пока не купил аккумуляторный перфоратор. Обычным проводным это было мучение: каждый раз искать или розетку рядом или доставать и разматывать удлинитель. А ещё следить за тем, где там провод, и чтобы он не запутался в ногах, тем более когда ты на лестнице. Теперь же я только и ищу, чего б такого просверлить. Аккумуляторный перфоратор — 12/10, стоит каждого рубля. Подобного много. Собирать мебель приятнее шуруповертом с нужной битой, нежели шестигранником, который кладут в комплект. Делать прямые распилы приятнее циркуляркой, а не лобзиком. Класть плитку приятнее с лазерным уровнем и системой выравнивания. И так далее. В программировании аналогично. Я очень высоко ценю удобство языка, на котором пишу. Возьмём к примеру сверлильный станок: он тяжелее, сложнее и занимает больше места, чем дрель. А ещё не везде его можно применить. Но там, где можно, станок позволяет вам выдерживать угол. По сути вся его роль в том, чтобы взять на себя вес дрели и помешать вам сделать ошибку. Мешать делать ошибки — важное свойство инструмента. Именно поэтому я предпочитаю языки с типами. Да, хороший мастер и обычной дрелью просверлит не хуже. Но, напомню, речь идёт об удовольствии, об эмоциях, а не только о результате. Система, которая не даёт сделать ошибку, не только более надёжна сама по себе, но и много приятнее в плане эмоций. Когда ты сложил весь пазл, и последний кусочек идеально вошёл в своё место — это чувство удовлетворения сравнимо с тем, как ты вставляешь новую строчку в программу, и она без ошибок подходит по типам, а из списка подсказок IDE можно брать самые верхние пункты. #life#dev

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #lmcache

当前筛选 #lmcache清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8027 · 11.07.2025 г., 12:05

🌟LMCache: умное кэширования для LLM-инференса. LMCache - проект, который предлагает решение по сохранению KV-кэша на CPU, диске или даже в специализированной памяти NIXL. По сути, это инструмент, который превращает одноразовые вычисления в многократно используемые блоки, экономя время и ресурсы. Представьте, что в чат-боте пользователи часто ссылаются на один и тот же системный промпт или историю диалога. Обычно модель заново обрабатывает эти данные, но LMCache просто загружает готовый кэш. Выгрузка KV-кэшей освобождает GPU для новых задач, уменьшая TTFT (время до первого токена) вплоть до 10 раз. 🟡LMCache гибкий. Кэши можно не только выгружать, но и делиться между разными инстансами LLM. Проще говоря, если два пользователя одновременно обращаются к разным копиям модели с одинаковым запросом, система не будет дублировать работу: результаты одного prefill’а станут доступны всем. Это работает даже для неполных префиксов, например, при частичном совпадении входных данных. 🟡LMCache умеет в раздельную предобработку. Prefill и decode, которые обычно выполняются на одном GPU, теперь могут быть разнесены: первый этап обрабатывается на мощных узлах, а второй на оптимизированных для генерации. Для распределенных систем такая техника повысит пропускную способность. Тесты разработчиков проекта показывают, что в реальных задачах задержка снижается в 3–10 раз, а GPU-циклы экономятся на повторных вычислениях. Проект тесно интегрируется с vLLM, в репозитории есть большой набор с примерами, документация и советы по установке и настройке. ⚠️Калькулятор KV-кеша с выбором модели, ее типа данных и количества токенов, который поможет прикинуть, сколько VRAM можно сэкономить. 📌Лицензирование: Apache 2.0 License. 🖥Github @ai_machinelearning_big_data #AI#ML#LLM#LMCache#KVCache#Github