TGTGInsighttelegram intelligenceLIVE / telegram public index
← OnePlus Guide

TGINSIGHT SIMILAR POSTS

Trouver du contenu similaire

Chaîne source @OnePlusGuide · Post #2739 · 20 août

🔻ESTRARRE IL PAYLOAD.BIN SU ONEPLUS NORD🔻 #ONEPLUSNORD#MODDING Ultimo post di questa serie di infarinatura del Modding per il nostro Nord. Non vi allarmate, ce ne saranno sicuramente altre in futuro, appena ci sarà qualche novità in termini di sviluppo! Oggi vi spiegheremo come estrarre il payload.bin, file che contiene tutte le immagini che vengono flashate sul telefono, tra cui la boot.img che è indispensabile per avere i permessi di root. ▪️Come estrarre il payload.bin su OP Nord - Testo ▪️Come estrarre il payload.bin su OP Nord - Video Le guide sono abbastanza esplicative, tuttavia se avete bisogno di chiarimenti non esitate a chiedere nei nostri gruppi! Guida scritta realizzata da Pit Guida video realizzata da Pierre — Il nostro canale 👉🏻@oneplusguide I nostri gruppi 👉🏻@oneplusitcommunity

Résultats

1 post similaire trouvé

Recherche : #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