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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #34 · 31.05

Дошли руки написать про второй сезон Love.Death.Robots, который вышел 2 недели назад. Почти единогласно в сети все, кого я читаю, согласились, что планка, к сожалению, снижена. Начиная от значительно меньшего количества серий, и заканчивая содержанием. В обзорах и комментариях к сезону справедливо отмечают, что серии выглядят уж совсем как наброски. Если первый сезон рассказывал короткие, но вполне полноценные истории, то во втором чувство недосказанности и даже какой-то пустоты преследует практически после каждого эпизода. В первом были серии, вызвавшие у меня невероятный восторг, серии, которые просто понравились, и проходные на разок. Во-втором с натягом понравилась пара вещей, не более. Automated Customer Service — ужасная рисовка, по которой видно, что её авторы считают себя оригиналами. Сюжет глуповат, смеха не вызывает. Ice — занятно, посмотрел бы такую полнометражку, но сказано очень мало. Pop Squad — почему он так называется, кстати? Зарисовка на тему романа «Будущее» Дмитрия Глуховского. Сюжет обрывается на завязке, и это причиняет почти физическую боль. А так было бы круто. Snow in the Desert — единственный полноценный рассказ в сезоне, вполне понравился: и экшен, и сюжетный поворот. Такого бы побольше. The Tall Grass — ни о чём. Интрига нагнетается, а разрешение у неё банальное. All Through the House — пожалуй, лучший эпизод. Очень крутая идея, не вступающая в противоречие с реальным миром, но переворачивающая его. Life Hutch — видели это в «Чёрном Зеркале» только более подробно и более драматично. The Drowned Giant — (тут небольшой спойлер, если не хотите, пропустите абзац!) до последнего надеялся, что авторы сделают какой-то неожиданный поворот в конце. Например, что утопленник на самом деле нашего с вами размера, но нет. Закадровый голос вроде бы рассказывает много всего, но это не особо имеет отношение к фантастике и сюжету данной серии. В общем, кажется, у авторов не оправдалось то, на что они рассчитывали после первых выпусков, и поэтому то ли им дальше меньше времени/денег на этот раз, то ли они сами выдохлись и потеряли энтузиазм. И это очень грустно. По-настоящему качественной и взрослой фантастики остро не хватает. #fiction

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