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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #706 · 19.12

Поставили индукционную плиту. Технология существует уже очень давно, но дошли почему-то до неё только сейчас (а зря, нужно было раньше). Во-первых, работает на магии. Даже диплом технического вуза не позволяет мне полностью избавиться от вау-эффекта, когда ты ставишь посуду на плиту, никакая конфорка под ней не зажигается, но при этом сама посуда совершенно магически начинает нагреваться целиком. Во-вторых, когда ты видишь, как трёхлитровая кастрюля воды доходит до кипения за 5 минут, а не за 20, то хочется очень громко крикнуть голосом Джесси Пинкмана: "Science, bitch!". Вообще, больше всего поражают как раз вещи, которые ломают привычные представления. Смартфон сложнее, чем индукционная плита, но маленькая коробочка с экраном у меня была ещё в глубоком детстве — тетрис. И не сказать, что смартфон нарушил какой-то обыденный паттерн из устройства мира вокруг — та же коробочка, чуть более цветная. А вот плита совсем другое дело. Она работает не так, как обычная. Да, есть микроволновка, у неё похожий принцип, но там продукт лежит внутри, а ситуация "Положить вещь в закрытый ящик, и она там нагреется" — довольно привычна. Плита же на индукции воспринимается, как что-то из космоса. Очень круто, советую всем, у кого, как у и нас, годами не доходили руки апгрейднуться. #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