TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #239 · 3 мај
Один из самых удобных способов записать данные это использование готовых форматов, такие как JSON или YAML. Из плюсов такого подхода стоит отметить вот что: 🔸 готовый, повсеместно используемый и поддерживаемый формат 🔸 простой и понятный файл, удобочитаемый для человека 🔸 можно легко редактировать в любом текстовом редакторе без специальных программ и библиотек Но есть и минусы 🔹 затраты времени при записи файла (кодирование данных в нужный формат строки) 🔹 затраты времени при чтении файла (декодирование данных в Python объекты) 🔹 размер файла увеличивается из-за разметки данных (скобки, запятые, переносы, отступы...) 🔹 перед записью все данные должны быть помещены в память в полном объёме (не всегда) 🔹 при чтении необходимо считать весь файл в память и только потом декодировать данные Если нужно писать немного данных в несколько файлов, то затраты по времени не ощутимы. Обычно это файлы конфига или какие-либо метаданные. Это отличный вариант под такие задачи. Есть и другой поход к записи файлов - это бинарные файлы. Используется, когда данных достаточно много и никто их не собирается читать глазками😳. 🔸 очень быстрая запись 🔸 чтение значительно быстрей чем JSON, YAML итд 🔸 размер файла значительно меньше, так как нет разметки 🔸 можно записывать данные по мере поступления не загружая всё в память 🔸 можно извлечь любую часть данных независимо Из минусов 🔹 нужно определить свой формат записи данных (если не используете готовую спецификацию определённого формата) 🔹 не получится открыть файл и визуально понять что там записано, а для чтения файла потребуется знать его спецификацию. 🔹 не так-то просто создать такой файл без специальной библиотеки В таком виде удобно записывать большой массив любых однородных данных. Например, мониторинг валютной биржи или кэшированная анимация 3D геометрии. (Это не означает что нельзя записать данные разного типа, просто это будет не так удобно) Представьте себе JPG-картинку. По сути это немного мета-информации и большой массив пикселей. Тоже самое со звуком или видео файлом. Поэтому, если вы попробуете открыть картинку в текстовом редакторе вы увидите что-то вроде такого f15d cd29 a564 4578 ... 09e2 9bc4 a696 1253 ... 84e9 4de1 3b23 c24a ... 2534 5161 28e0 709d ... ... Это и есть записанные байтики. И для их чтения требуется определённый софт который знает что с ними делать. Под каждый тип файла. К чему это я? Читайте в следующем посте... #tricks#basic
Пребарај: #lpu
@eco_cn · Post #30006 · 18.03.2026 г., 03:41
在GTC 2026主题演讲结束后，英伟达CEO黄仁勋接受了Stratechery创始人Ben Thompson的专访： AI在过去一年跨越了一个关键门槛——推理能力的提升使模型首次开始产生真实的经济价值，而编程代理的爆发则是这一转变最清晰的体现。 生成式AI早期因幻觉问题难以商业化，而推理能力的引入使模型得以通过反思、检索与搜索实现"落地"，进而从提供信息跃升为真正完成任务。"搜索是一项没有人付费的服务，原因在于获取信息的门槛不足以让人掏钱。 在技术层面，由Vera Rubin GPU处理高FLOP的注意力计算，由Groq的 #LPU 架构承担需要极高token速率与极低延迟的部分。 黄仁勋将AI代理的工具使用分为两类： 一类是结构化工具，包括CLI、API和数据库查询； 另一类是非结构化工具，包括需要模型通过多模态感知操作网页界面的PC端应用。#英伟达 在两条路径上均有布局。
@eco_cn · Post #29990 · 18.03.2026 г., 01:25
华尔街点评GTC： #英伟达 GTC大会释放核心信号：AI算力的商业逻辑正在发生根本性重构——Token已成为新的大宗商品，而算力即收入。 美银认为，Blackwell系统相较上一代Hopper已实现每Token成本降低高达35倍，即将推出的Rubin系列有望在此基础上再降低2至35倍，这种持续压缩的Token成本曲线，是驱动需求规模化扩张的根本动力。 高盛快评，价值高达1万亿美元的数据中心 #AIDC 营收订单，远超市场普遍预期，有助于消除投资者对于AI资本开支可能已达“峰值”的担忧。其次，英伟达推出了Groq的LPX机架系统，此举进一步巩固了对推理市场的战略承诺。 郭明錤：2026至2027年 #LPU 出货量预计达400至500万台，较历史年产量暴增10倍。机架密度从64跃至256单元，背后的 #PCB 供应链同步迎来新周期——WUS印制电路或成最大赢家。