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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #613 · 29.10

Вернулся в #satisfactory после длинного перерыва. Не отпускает меня эта игра, слишком залипательно, невозможно остановиться. Хотел соорудить универсальную фабрику под всё, даже разработал неплохую схему: основная шина из параллельных конвейеров с разными видами ресурсов, в нужных местах от лент ответвления к сборочным линиям, а от линий обратно в шину уже новый ресурс. На бумаге выглядело хорошо, на практике очень утомительно строить и поддерживать, а ещё место быстро заканчивается даже на воде, где максимально открытые большие участки. Пришёл к решению: отдельные специализированные фабрики под каждый вид деталей, а между ними железнодорожная сеть с нужными ресурсами. Лёгким движением руки игра превратилась в железнодорожный симулятор — стрелки, секционные и путевые светофоры, погрузочные станции. Поезда сделаны классно, с прикольной анимацией, по виду это футуристичный монорельс (на скринах не один путь, а два параллельных в разные стороны). Пока не открыл доставку дронами, там должно быть ещё попроще (но полностью заменить железку они не смогут — пропускная способность не та). Дошёл до производства алюминия через добычу боксита. Впервые поймал себя на мысли, что не хочу вырубать красивый лес под фабрику, пусть даже и виртуальный, очень уж приятно смотрится. Построил в сторонке. На таких масштабах уже проявляются недостатки игры: не автоматизируются рутинные операции при строительстве (в отличие от того же Factorio), вид от первого лица и трёхмерность усложняют аккуратное размещение конструкций, прокладка путей с некоторыми багами. Но всё равно очень круто. 140 часов общее игровое время, больше чем Ведьмак 3 со всеми сайдами и дополнениями. Впереди обработка кварца, а потом — атомная энергетика. Ух. #games

Резултати

Намерени 1 подобни публикации

Търсене: #optimizatio

当前筛选 #optimizatio清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8587 · 19.09.2025 г., 09:09

🚀 SakanaAI представил Robust Agentic CUDA Kernel Optimization Это новый подход, где LLM помогает оптимизировать CUDA-ядра для PyTorch. • Слияние операций ускоряет forward/backward-проходы, результаты выше стандартных Torch-базлайнов • Полный пайплайн: PyTorch → генерация CUDA-кода → эволюционная оптимизация во время работы • Проверка через LLM: модели автоматически отмечают неправильные ядра (дает +30% к производительности) • robust-kbench — собственный бенчмарк, где измеряют не только скорость, но и корректность работы LLM Авторы пишут о 2.5x ускорении над PyTorch eager и даже 6x в линейных операциях❗️ Но большинство примеров — это тесты на слияние операций с неотюненной базой, так что цифры спорные. К тому же PyTorch 2.5 уже внедряет похожие оптимизации ), поэтому такие рекорды могут быстро обесцениться. Это интересный подход к самообучающимся AI-компиляторам, но заявленные ускорения стоит проверять на праактике. 🟢Github: https://github.com/SakanaAI/robust-kbench 🟢Статья: https://arxiv.org/abs/2509.14279 @ai_machinelearning_big_data #AI#CUDA#PyTorch#SakanaAI#LLM#Optimizatio