TGTGInsightinteligencia telegramLIVE / telegram public index
← Comunidad de TWITTER en Cuba

TGINSIGHT SIMILAR POSTS

Buscar contenido similar

Canal fuente @ClientesEtecsa · Post #11708 · 11 oct

🗞🇨🇺☀️ ¡Buenos días! Les compartimos las primeras notas de este viernes, que se pueden leer con VPN desde Cuba: ✈️ El Congreso hondureño tumba el acuerdo aéreo firmado por Xiomara Castro y el régimen cubano https://bit.ly/3YmNbV3 ☝🏼 Obama compara los discursos de Trump con los de Fidel Castro y lo acusa de "dividir" EE UU https://bit.ly/3BFEMTH 🌀 El huracán Milton deja una senda de muerte y destrucción a su paso por Florida https://bit.ly/3YnOza0 ⚖️ Evo Morales es citado para declarar en un caso de presunta "trata de personas" y "estupro" https://bit.ly/3BwAlKW 🏆 Nobel de la Paz a una organización japonesa contra el uso de las armas nucleares https://bit.ly/3Y0dZJm 🔊#Podcast Reinaldo Escobar: ‘Como lo viví’ del 11 de octubre de 2024 https://bit.ly/4dQULMc 📰 Como todos los viernes, les compartimos nuestra versión en PDF para que lean lo mejor de la semana en 14ymedio https://bit.ly/48b6tA0 🎙 El Cafecito Informativo con Yoani Sánchez https://bit.ly/3Nlxnvd 👋 ¡Hasta más tarde!

Hashtags

Resultados

1 posts similares encontrados

Buscar: #llvm

当前筛选 #llvm清除筛选
Android Broadcast

@android_broadcast · Post #9894 · 17/03/2026, 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