Опушка единорогов

Сказал ему ускорить на Vulkan API: создай отдельный новый промпт и туда теперь записывай, напиши код который ускорит эти добавленные photoconsistency вычисления на Vulkan API - при этом если нет ни одного Vulkan устройства - вычисления на имеющейся CPU кодовой базе, но если они есть - то рендеринг карт глубины, рассчет SSD и остальное вплоть до получения photoconsistency map - должно делаться на видеокарте, изложи план по шагам, в т.ч. скажи как ты будешь убеждаться в корректности? на мой взгляд стоит сравнить все промежуточные результаты - сверить их и с эталоном CPU, они не обязаны совпадать но должны быть очень похожи, и финальная проверка - обработай датасет и я сравню результаты с результатами рендеров при рассчете на CPU Дальше мои промпты: хорошо, действуй по этому плану действуй дальше запусти nvidia-smi - ты видишь 4090? (пришлось выпустить ИЗ КЛЕТКИ, в sandbox видеокарта не доступна) а сейчас? действуй и не останавливайся либо пока ты не построишь датасет и рендеры на новой быстрой Vulkan-based реализации, либо если не встретишь какую-то проблему которая требует обсуждения 1 (предложила какой-то простой выбор) да действуй сделай то что будет достаточно быстрым но при этом не слишком много сложного кода сделай на GPU эффективную реализацию - например отправлять данные по PCI-E шине на CPU и обратно можно только когда грузятся исходные данные (например один раз на отправку геометрии, один раз картинка референсная, один раз на каждую соседнюю картинку, но потом когда эта соседняя картинка будет нужна для другой референсной картинки - она будет прогружаться заново) и когда считывается результат (результирующая получившаяся photoconsistency map, или у тебя и так уже это было так организовано? действуй на датасете сколько времени занимает вся обработка, сколько от нее времени занимает preprocess, сколько из нее времени занимает самый медленный кернел? и что он делает опиши запусти целиком датасет отрендери результаты, какой глобальный путь к папке с рендерами? а путь к папке с рендерами полученными ранее на CPU? я хочу проверить что все корректно, и какая разница в скорости в сумме от полного CPU до ускоренного на Vulkan? а какая разница в скорости photoconsistency рассчета который добавлен в новом алгоритме? и сколько времени занимает традиционный старый код mvs-texturing? и какой кернел занимает больше всего времени? и сколько конкретно? да, выясни, чтобы была разбивка сколько времени уходит на трансфер данных, сколько процентов на каждый кернел, может быть лучше использовать для этого профилировщик для Vulkan API да, действуй (оказалось что она все еще часто грузила результаты из видеопамяти и хотя раньше она об этом была в курсе - четко это поняла после профилирования, КАК ЧЕЛОВЕЧНО😭) отрендери результаты x10.3 ускорение получено 😎 ух, уработался 😂 Итак, делаем выводы: действуй и да - лучшие промпты для x10 ускорения кода 🕺

Сжег ПРИЛИЧНОЕ КОЛИЧЕСТВО токенов 🔥 codex (claude code и прочие) - полная жесть 💀, можно ненапрягаясь сделать за пару суток работу которая раньше могла занять недели и месяцы. Например: 1) взял популярный проект который строит текстуру по фотографиям mvs-texturing 2) поспрашивал codex как сейчас устроен алгоритм идейно 3) хорошо по шагам (полэкрана-экран текста) описал алгоритм который хочу добавить - по сути хорошее техническое задание для человека: - знающего ZNCC/SAD/SSD метрики похожести окрестностей - знающего что мин. фильтр берет минимум в окрестности - знающего что чтобы одну фотографию репроецировать в ракурс другой камеры - достаточно знать как камеры взаимно находятся в пространстве и какая геометрия перед ними 4) дал папку с датасетом достаточно понятного и популярного формата (она сама разобралась как на нем запускаться и тестироваться) 5) получил новый вариант алгоритма который улучшает результат как на приложенной картинке По сути если раньше хороший программист для эффективности должен был уметь и практиковать на хорошем уровне: 1) формулирование технического задания (что мы делаем?) 2) формулирование предполагаемого пути решения (как мы делаем?) 3) сделать удобное окружение чтобы в целом можно было эффективно проверить - а хороший ли результат получился? 4) сделать удобное окружение позволяющее на каждом этапе понять - а хороший ли результат на каждом этапе? (принципиальное отличие от предыдущего пункта, т.к. если этапы обработки сложные а промежуточные результаты никто не видел - значит они либо плохие, либо как минимум могли бы быть лучше (СУБОПТИМАЛЬНЫЕ) - поэтому нужны промежуточные визуализации или числа) Теперь благодаря навыкам (1) и (2) нейросеть оказывается в замкнутом цикле в котором через некоторое время решит задачу (т.к. если разработчик знал как решить задачу - то этой постановки задачи и плана решения достаточно). (3) и (4) - это подсказки нейросети как делать это эффективно, по сути нужно просто ей сказать что такие то этапы нужно визуализировать картинками на диске чтобы я смог взглянуть и проверить все ли хорошо. В результате на код смотреть не необходимо - можно проверить каждый промежуточный результат, если что-то не нравится - сформулировать какой набор новых экспериментов нужно провести и вернувшись просто взглянуть на все визуализации чтобы легко принять решение. То есть навыки (3) и (4) больше не нужно применять, достаточно о них думать, как и о документировании, о CI, о том что прежде чем ускорять код его нужно отпрофилировать. И сказав об этом нейросети - все это больше выглядит как "задача обречена на решение". Я сидел на gpt-5.4 medium reasoning, выше почти не переключался, некоторое время посидел с gpt-5.4 high, но не заметил разницы - просто токены чуть быстрее жглись. Если делать два три таких проекта в параллель то по сути оно превращается в идеальную асинхронную машину по выполнению желаний, сделай то, визуализируй так, скажи где картинки на диске от такого то эксперимента чтобы я принял решение, отпрофилируй этот код и расскажи мне какие основные места тормозят, etc... Я уж молчу про "ой, CI перестал собираться, поправь пожалуйста (и просто ждете когда поправит, потому что это идеальный пример замкнутого фидбек цикла где не нужно вмешательство)"

Теперь можно комфортно жечь токены, реализовывать ВСЕ ПРОЕКТЫ

Он даже осторожен, и наткнувшись на неожиданные файлы - спрашивает А КТО ЭТО СДЕЛАЛ?! ОТКУДА ЭТО?! Он заметил что я конспектирую...

Попробовал codex из терминала, СУПЕР круто сделанный продукт, КАЙФ. Естественно задания я ему не сам формулирую, это был бы такой палеозой... У меня есть для этого очень приятный консультант! Отдельно умиляет как мой эксперт-консультант по управлению codex советует позитивно оценить его очередной прогресс. Нейросети хвалят нейросети!

2026 год: Meshlab долго грузит большое количество .ply файлов для ЗАДОРНОЙ раскраски? ок, пока грузит - быстрее попросить нейросеть написать простой визуализатор с нужными функциями который считывает геометрию МОМЕНТАЛЬНО (да, с цветами и освещением еще надо чуть ПОРАБОТАТЬ 🕺ахах не назвал бы это работой, но это короче сформулировать нейросети чем этот пост)

2025 год: drag&drop .ply файлов в Meshlab чтобы посмотреть на красиво и ЗАДОРНО раскрашенную геометрию

2024 год: пустота

Соревнование AIRI х ИППИ РАН на CVPR 2026 🚀 Открыт приём заявок на участие в челлендже по вычислительной фотографии NTIRE 2026 Low-Light Enhancement: Twilight Cowboy Challenge. Победители получат возможность подать свою работу и стать соавторами отчёта на воркшопе NTIRE в рамках конференции CVPR. Подробнее про соревнование — в карточках. Регистрация и правила участия на сайте. Дедлайн для сдачи решения — 17 марта, результаты станут известны 19 марта.

Теперь через эту штуку любая утечка в один клик ведет к строчке аллокации, кайф.