TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #32 · 7 фев.

Скорее всего уже слышали, что складывать строки через + это плохая практика. Падение производительности, и всё такое. Без лишних слов, давайте измерять: from timeit import timeit def t1(): # складываем 10 строк через + из переменной t = 'text' for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t2(): # склеиваем список строк через метод join arr = ['text'] * 10 for _ in range(1000): s = ''.join(arr) def t3(): # складываем через + но не из переменной а непосредственно инлайн объекты for _ in range(1000): s = 'text' + 'text' + 'text' + ... # всего 10 раз Теперь каждую строку склейки запустим по 10М раз >>> timeit(t1, number=10000) 0.21951690399964718 >>> timeit(t2, number=10000) 1.4978306379998685 >>> timeit(t3, number=10000) 0.2213820789993406 Хм, а нам говорили что через "+" это плохо и медленно ))) 😁 Тут стоит учитывать, что речь идёт о склейке множества длинных строк. Давайте изменим условия: def t4(): t = 'text'*100 for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t5(): arr = ['text'*100] * 10 for _ in range(1000): s = ''.join(arr) def t6(): for _ in range(1000): s = 'text'*100 + 'text'*100 + ... # всего 10 раз >>> timeit(t4, number=10000) 12.795130728000004 >>> timeit(t5, number=10000) 2.642637542999182 >>> timeit(t6, number=10000) 0.2184546610005782 Вот, уже другой разговор, сразу видна разница, в среднем в 6 раз. Но погодите, почему последний тест t6() по скорости такой же как и t3()? Ведь строки теперь в 100 раз длиннее! Это вопросы оптимизации кода, какие простые изменения ускоряют или замедляют выполнение программы. Мы столкнулись с примером обхода обращения к переменной. Например, именно так работает директива #define в С++, во время компиляции подставляя значение переменной вместо ссылки на неё. В Python это тоже работает, но часто ли вы сможете встретить такой способ работы со строками? К сожалению, способ почти только теоретический. В целом, тесты показали то, что мы хотели. Делаем выводы самостоятельно. Полный листинг 🌍 #tricks

Резултати

Пронајдени 1 слични објави

Пребарај: #openweights

当前筛选 #openweights清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8680 · 02.10.2025 г., 17:01

✔️IBM представила Granite 4.0 — новое семейство open-weights языковых моделей от 3B до 32B параметров. Четыре новые модели: - Granite 4.0 H Small - 32B/9B активных параметров - Granite 4.0 H Tiny - 7B/1B - Granite 4.0 H Micro - 3B/3B - Granite 4.0 Micro - 3B/3B Benchmarking (Artificial Analysis Index): - Granite 4.0 H Small: 23 балла (на 8 выше Granite 3.3 8B), обходит Gemma 3 27B (22), но уступает Mistral Small 3.2 (29) и Qwen3 30B A3B (37). - Granite 4.0 Micro: 16 баллов, выше Gemma 3 4B (15) и LFM 2 2.6B (12). ⚡ Token efficiency: - Granite 4.0 Small — 5.2M токенов - Granite 4.0 Micro — 6.7M токенов Обе модели заметно эффективнее Granite 3.3 8B и большинства non-reasoning моделей <40B. Детали: - Контекст: до 128K токенов - Лицензия: Apache 2.0 - Granite 4.0 H Small доступна на Replicate по $0.06 / $0.25 за 1M input/output токенов - Все модели доступны на Hugging Face - Модель Micro (3.4B) можно запускать полностью локально. 🔗 Hugging Face: https://huggingface.co/collections/unsloth/granite-40-68ddf64b4a8717dc22a9322d 🔗Unsloth: https://docs.unsloth.ai/new/ibm-granite-4.0 @ai_machinelearning_big_data #AI#IBM#Granite4#LLM#OpenWeights