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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #450 · 17.07

В России вводят штрафы за выброс мусора из окна автомобиля. Для физлица от 10 до 15 тысяч рублей. Скорее всего, работать не будет, потому что заснять факт нарушения на дорожную камеру довольно трудно. Я не понимаю, как функционирует разум людей, которые на ходу выкидывают из автомобиля какую-нибудь бумажку или бутылку. Бывает понятное мне зло: если человек ворует деньги, он себе приобретает выгоду таким способом, я это понимаю. Даже если водитель паркуется на обочине, ход размышлений в его единственной прямой извилине более-менее ясен. Но с мусором выгода очень условная (типа не надо нести потом от машины до урны эту бутылку), а вред значительный. Причём, такая же бутылка, выброшенная из автомобиля перед тобой, может тебе под колёса попасть или по автомобилю на ходу, и что-нибудь повредить. В этом смысле было бы круто иметь антиутопическое будущее с повсеместным слежением за всеми. Но в остальных смыслах не круто, конечно. Короче, по мне так штраф бесполезен. У нас даже штраф за неправильную парковку не работает, как я уже писал, потому что эвакуаторы тупо не ездят по городу и не выполняют свою работу. А такое и подавно бестолку. Поможет только раздать всем прохожим оружие с правом стрельбы по автомобилям. От всех нарушений поможет, кстати. #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