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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #507 · 18.08

Досмотрел Westworld. Первый сезон, на мой взгляд, был одним из лучших научно-фантастических художественных произведений за всю историю вообще. Множество ярких высказываний о природе насилия, разуме, жизни, осознании своего "я" и мира вокруг себя. И это всё в офигенно крутых киберпанк-хайтек декорациях с очень неожиданными сюжетными поворотами. После той планки, которую он задал, возникло некоторое противоречие: вроде и продолжение хочется, но уже понятно, что оно таких эмоций не даст. Из второго сезона я помню буквально пару интересных моментов, но глобально не могу вспомнить, о чём он вообще был, и какие там ключевые мысли. Третий же сезон совсем другой, будто кино нового жанра с теми же героями — более классическая фантастика про будущее и конфликт между людьми и искусственным интеллектом. В четвертом сезоне лично у меня стойкое ощущение, что сценаристы устали, но при этом у них оставались отдельно выписанные идеи, которым не нашлось места в первых трёх. Идеи прикольные. Мне очень понравилась арка про Долорес и её сущность: действительно, если ты есть система, способная обладать информацией о каждой точке пространства, то твоё субъективное "я" может в этом пространстве присутствовать в качестве его элемента и не осознавать своего истинного статуса. Понравилась в целом идея с как бы переворачиванием. В оригинале, кстати, если помните, используется не "машина", а "host", и очень круто было, когда Хейл употребила этот термин по отношению к заражённому мухами человеку. Но глобально я скорее расстроен. Мотивация Уильяма мне вообще не ясна. И ещё не понял, почему в его коде не было никаких средств блокировки, чтобы он не напал на создательницу. Вся ветка с дочкой главного героя и группой людей вокруг неё показалась мне очень сумбурной и не раскрытой. Вообще будто бы мало времени на всё. В первом сезоне нам подавали события очень плавно и размеренно, зачастую с нескольких точек зрения, а здесь же местами грубые мазки. Концовка тоже какая-то смятая: сверхмасштабная катастрофа, в которой ты, однако, никому не сопереживаешь, потому что большинство центральных персонажей вроде как в стороне от неё. Клементину тоже слили. И Мейв — такой значимый персонаж, хоть бы как-то логично завершили её ветку, чувствую недосказанность. В общем и целом: хорошо, если на этом закончат, но если нет, авторам придется изрядно постараться. #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