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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #905 · 8.11

На выходных попробовали настольного Ведьмака, и у меня скорее положительные впечатления. Самое худшее точно не случилось: это не просто коробка с миниатюрками, а вполне работоспособная и интересная настолка. Ядро игры — сражения на цепочках карточек, и вот эта часть порадовала больше всего. Битвы с монстрами интересные, в меру разнообразные, не слишком простые, сильно зависят от подготовки. В каком-то смысле из-за этого вся остальная игра в виде приключений на карте и прокачки навыков кажется неизбежной рутиной между боями, но с точки зрения эмоциональных качелей — самое то. Из недостатков большинство обзорщиков отмечают даунтайм — то есть длительное ожидание хода других игроков. Могу сказать, что даже при игре на пятерых это не супер критично. У нас самые нетерпеливые игроки начали скучать только на последнем ходу, когда исход партии был решён. Пожалуй, к серьёзным проблемам я бы отнёс отсутствие разных стратегий победы. По сути, способа выиграть два: получать очки за прокачку навыков и получать очки за сражения с монстрами. Причём, в нашем случае выиграл игрок с помощью первого варианта, ни разу за всю игру не подравшись с монстром, что вызывает вопросы к балансу. Хотя, как мы впоследствии выяснили, выиграл он с нарушением правил, но общая тенденция напрягает. Отсутствие стратегий снижает реиграбельность, однако дополнительный контент повышает её, а его то как раз в коробке очень много. Мы едва ли пощупали четверть от всего. Так что с учётом кучи контента, шикарных миниатюрок и прекрасно работающего боевого ядра — очень рад иметь в коллекции эту игру, уверен, соберёмся ещё не раз. Наверное, опытный геймдизайнер мог бы взять и "обезводить" её, выпустив какую-нибудь карточную дуэльку, где были бы только механики цепочек из драк. Но у текущей версии значимый плюс это привлекательность для казуальной аудитории. #games

Hashtags

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