📌 Про Amicable Numbers и смысл подключить видеокарты сейчас
#amicable
На математическом проекте с отечественными корнями**Amicable Numbers** (поиск дружественных пар чисел) случилась интересная ситуация:
— Одна задача на CPU это часы вычислений
— Та же задача на NVidia RTX 4090 решается за ~1 минуту.
Это не сюрприз: GPU оптимизированы для массового параллельного вычисления, а CPU — для последовательной логики. Архитектурно GPU имеют тысячи ядер и делают множество одинаковых операций параллельно — в задачах типа *числового перебора / тестирования* они выигрывают колоссально.
Текущая цель проекта — перебрать все пары с меньшим элементом < 10²¹, с ориентировочной датой окончания — конец февраля 2026.
Идея, достойная внимания именно сейчас:
— Массовое подключение GPU к Amicable Numbers может не просто ускорить проект на порядки, но срок вычислений текущий цели.
— Освободится колоссальное количество CPU-времени для остальных BOINC-проектов, которые GPU не поддерживают, например для RakeSreach.
Идею подали: https://vk.ru/wall-11963359_6175
#amicable
На математическом проекте с отечественными корнями**Amicable Numbers** (поиск дружественных пар чисел) случилась интересная ситуация:
— Одна задача на CPU это часы вычислений
— Та же задача на NVidia RTX 4090 решается за ~1 минуту.
Это не сюрприз: GPU оптимизированы для массового параллельного вычисления, а CPU — для последовательной логики. Архитектурно GPU имеют тысячи ядер и делают множество одинаковых операций параллельно — в задачах типа *числового перебора / тестирования* они выигрывают колоссально.
Текущая цель проекта — перебрать все пары с меньшим элементом < 10²¹, с ориентировочной датой окончания — конец февраля 2026.
Идея, достойная внимания именно сейчас:
— Массовое подключение GPU к Amicable Numbers может не просто ускорить проект на порядки, но срок вычислений текущий цели.
— Освободится колоссальное количество CPU-времени для остальных BOINC-проектов, которые GPU не поддерживают, например для RakeSreach.
Навалимся на проект на этом отрезке?
Идею подали: https://vk.ru/wall-11963359_6175
⚡1🔥1👏1
#einstein
Лучшие настройки для RTX 4090 в Einstein@Home
Einstein любит, когда карту немного «перегружают».
🔧 Оптимальные настройки:
BRP7: 0.50 → 2 задачи на карту
FGRP: 0.25 → 4 задачи (если снова появится GPU-ветка)
GW: 0.125 → 8 задач (часто выгодно 0.20–0.125 → 5–8 задач)
💡 Чем меньше число — тем больше задач одновременно.
GW-задачи, например, половину времени ждут предобработки данных на CPU, поэтому их можно запускать пачкой — иначе 4090 будет недозагружен.
И да, 4090 спокойно держит 8 задач Einstein одновременно — не сгорит, проверено мною.
Хотя обычно мне приходят FGRP задачи, работают вчетвером и потребляют ~250 Ватт стабильно.
Лучшие настройки для RTX 4090 в Einstein@Home
Einstein любит, когда карту немного «перегружают».
🔧 Оптимальные настройки:
BRP7: 0.50 → 2 задачи на карту
FGRP: 0.25 → 4 задачи (если снова появится GPU-ветка)
GW: 0.125 → 8 задач (часто выгодно 0.20–0.125 → 5–8 задач)
Настройки вносятся прямо в личном кабинете Einstein@Home:
Your Account → Preferences → Project → GPU utilization factor.
Там три поля — BRP, FGRP и GW. Просто вписываешь свои значения 0.50, 0.33 или 0.25, сохраняешь, и после следующего обновления BOINC (меню Projects → Update) клиент начнёт брать нужное количество задач.
💡 Чем меньше число — тем больше задач одновременно.
GW-задачи, например, половину времени ждут предобработки данных на CPU, поэтому их можно запускать пачкой — иначе 4090 будет недозагружен.
И да, 4090 спокойно держит 8 задач Einstein одновременно — не сгорит, проверено мною.
Хотя обычно мне приходят FGRP задачи, работают вчетвером и потребляют ~250 Ватт стабильно.
🔥6
PPD за доллар: топовое железо до сих пор — лучший выбор
Если цель — максимум очков на вложенный рубль, то топ‑класс GPU сейчас буквально на порядок сильнее любых компактных миниПК.
Несмотря на всё моё желание собирать «фермы» из raspberry или Mac Mini, пока лучший вариант кранч-фермы в подвале это сборка из мощных современных ПК 😅
Кратко на примере Folding@home
- RTX 5090 даёт в среднем ~ 42,6 млн PPD в день.
- Интегрированная Radeon 8060S в Ryzen AI Max+ 395 про которую мы говорили ранее, по уровню близка к RTX 4060 Laptop, что даёт ~2,5–3,5 млн PPD (в зависимости от задач и лимитов мощности).
Итого: одна 5090 ≈ 14–17× быстрее встроенной iGPU 8060S. В BOINC‑проектах с OpenCL (например, PrimeGrid) разрыв похожего масштаба: для задач подроекта AP27 видеокарта 5090 будет быстрее примерно в 8 раз.
PPD на доллар: что покупать?
Вариант 1 — мини‑ПК на Ryzen AI Max+ 395 (например Framework Desktop)
- Цена системы: $1 599–1 999 (64–128 ГБ).
- PPD: ~2,5–3,5 млн.
- PPD/$: ~1,5–1,9 тыс.
Вариант 2 — десктоп на 7950X3D + RTX 5090 (1 GPU)
- Цена системы: ~$3,7k (GPU $1 999 + база под 7950X3D).
- PPD: ~42,6 млн.
- PPD/$: ~9,5–11,5 тыс. — то есть в 6–8× выгоднее, чем мини‑ПК на 395.
Вариант 3 — 2–3× RTX 5090
- 2× 5090: ~**80–85 млн PPD**, бюджет ~$6,1–7,4k → ~11–14 тыс. PPD/$.
- 3× 5090: ~**120–128 млн PPD, бюджет ~$8,3–10,2k → ~12–15 тыс. PPD/$.
Эффективность на доллар растёт ещё больше, потому что «стоимость материнки» размазывается на несколько карт.
Проекты: где это чувствуется сильнее
- Folding@home: PPD напрямую масштабируется с мощностью GPU.
- PrimeGrid (BOINC, OpenCL): сильная зависимость от GPU/памяти — топовые NVIDIA здесь тоже улетают далеко вперёд.
- Einstein@Home: позволяют запускать несколько задач на одну карту, чтобы загрузить монстров уровня 5090;
Вывод
Если цель это PPD/$, то ставка очевидна: сборки с RTX 5090 (и тем более 2–3× 5090) дают многократно больше очков на каждый потраченный доллар, чем мини ПК. Какой-нибудь beelink на базе Ryzen 395 — отличный «входной билет», но топ PPD/$ — это по‑прежнему дискретная графика.
Если цель — максимум очков на вложенный рубль, то топ‑класс GPU сейчас буквально на порядок сильнее любых компактных миниПК.
Несмотря на всё моё желание собирать «фермы» из raspberry или Mac Mini, пока лучший вариант кранч-фермы в подвале это сборка из мощных современных ПК 😅
Кратко на примере Folding@home
- RTX 5090 даёт в среднем ~ 42,6 млн PPD в день.
- Интегрированная Radeon 8060S в Ryzen AI Max+ 395 про которую мы говорили ранее, по уровню близка к RTX 4060 Laptop, что даёт ~2,5–3,5 млн PPD (в зависимости от задач и лимитов мощности).
Итого: одна 5090 ≈ 14–17× быстрее встроенной iGPU 8060S. В BOINC‑проектах с OpenCL (например, PrimeGrid) разрыв похожего масштаба: для задач подроекта AP27 видеокарта 5090 будет быстрее примерно в 8 раз.
PPD на доллар: что покупать?
Вариант 1 — мини‑ПК на Ryzen AI Max+ 395 (например Framework Desktop)
- Цена системы: $1 599–1 999 (64–128 ГБ).
- PPD: ~2,5–3,5 млн.
- PPD/$: ~1,5–1,9 тыс.
Вариант 2 — десктоп на 7950X3D + RTX 5090 (1 GPU)
- Цена системы: ~$3,7k (GPU $1 999 + база под 7950X3D).
- PPD: ~42,6 млн.
- PPD/$: ~9,5–11,5 тыс. — то есть в 6–8× выгоднее, чем мини‑ПК на 395.
Вариант 3 — 2–3× RTX 5090
- 2× 5090: ~**80–85 млн PPD**, бюджет ~$6,1–7,4k → ~11–14 тыс. PPD/$.
- 3× 5090: ~**120–128 млн PPD, бюджет ~$8,3–10,2k → ~12–15 тыс. PPD/$.
Эффективность на доллар растёт ещё больше, потому что «стоимость материнки» размазывается на несколько карт.
Проекты: где это чувствуется сильнее
- Folding@home: PPD напрямую масштабируется с мощностью GPU.
- PrimeGrid (BOINC, OpenCL): сильная зависимость от GPU/памяти — топовые NVIDIA здесь тоже улетают далеко вперёд.
- Einstein@Home: позволяют запускать несколько задач на одну карту, чтобы загрузить монстров уровня 5090;
Вывод
Если цель это PPD/$, то ставка очевидна: сборки с RTX 5090 (и тем более 2–3× 5090) дают многократно больше очков на каждый потраченный доллар, чем мини ПК. Какой-нибудь beelink на базе Ryzen 395 — отличный «входной билет», но топ PPD/$ — это по‑прежнему дискретная графика.
💯2❤1🔥1
#YAFU
🧮 YAFU@home — распределённые вычислениядля математики. На CPU
YAFU@home — это BOINC-проект, который занимается факторизацией больших чисел и исследованием aliquot-последовательностей.
Звучит академически, но на практике это один из немногих проектов, где CPU-время действительно превращается в проверяемый научный результат.
Что именно делает проект.
1. Факторизация больших чисел
Проект считает разложение чисел на множители, иногда размером в десятки и сотни цифр.
Это не проверка «простое или нет», а полноценное разложение, которое может занимать недели и месяцы CPU-времени.
2. Aliquot-последовательности
Берётся число n.
Считается сумма его собственных делителей.
Процедура повторяется снова и снова, образуя цепочку.
Такие цепочки могут:
– быстро завершаться
– входить в цикл
– расти и требовать огромных вычислительных ресурсов
Когда цепочку удаётся довести до логического конца, это считается полноценным научным результатом.
Почему это вообще кому-то нужно.
1. Алгоритмы факторизации
YAFU используется для тестирования и улучшения реальных алгоритмов факторизации (ECM, NFS и др.).
Это те же алгоритмы, которые лежат в основе оценки криптостойкости и анализа больших чисел.
2. Закрытие «белых пятен» в теории чисел
Многие aliquot-последовательности десятилетиями оставались незавершёнными просто потому, что их никто не мог досчитать.
Распределённые вычисления позволяют закрывать такие случаи не теоретически, а вычислительно.
3. Проверяемость результатов
Это не локальные эксперименты.
Результаты валидируются, сохраняются и используются дальше другими исследователями.
Куда попадают результаты.
– BOINC
Каждая задача проходит проверку, статус «terminated» означает корректное завершение расчёта.
История сохраняется в системе.
– FactorDB
Все найденные множители и статус последовательностей публикуются в открытой базе данных.
Этой базой пользуются математики по всему миру.
Это не витрина, а рабочий инструмент.
Примеры:
https://factordb.com/aliquot.php?aq=3415890&type=1
https://factordb.com/aliquot.php?aq=3552666&type=1
Почему проект актуален сейчас.
– не все задачи ускоряются GPU
– большие числа плохо ложатся на массовый параллелизм
– многоядерные CPU идеально подходят под такие вычисления
YAFU@home — редкий случай, когда:
– старые серверы не простаивают зря
– многопоточность реально даёт эффект
– результат остаётся навсегда, а не пропадает после перезапуска
Проект:
YAFU@home — https://yafu.myfirewall.org/yafu/
Новости BOINC — https://boinc.berkeley.edu/project_news.php
🧮 YAFU@home — распределённые вычислениядля математики. На CPU
YAFU@home — это BOINC-проект, который занимается факторизацией больших чисел и исследованием aliquot-последовательностей.
Звучит академически, но на практике это один из немногих проектов, где CPU-время действительно превращается в проверяемый научный результат.
Что именно делает проект.
1. Факторизация больших чисел
Проект считает разложение чисел на множители, иногда размером в десятки и сотни цифр.
Это не проверка «простое или нет», а полноценное разложение, которое может занимать недели и месяцы CPU-времени.
2. Aliquot-последовательности
Берётся число n.
Считается сумма его собственных делителей.
Процедура повторяется снова и снова, образуя цепочку.
Такие цепочки могут:
– быстро завершаться
– входить в цикл
– расти и требовать огромных вычислительных ресурсов
Когда цепочку удаётся довести до логического конца, это считается полноценным научным результатом.
Почему это вообще кому-то нужно.
1. Алгоритмы факторизации
YAFU используется для тестирования и улучшения реальных алгоритмов факторизации (ECM, NFS и др.).
Это те же алгоритмы, которые лежат в основе оценки криптостойкости и анализа больших чисел.
2. Закрытие «белых пятен» в теории чисел
Многие aliquot-последовательности десятилетиями оставались незавершёнными просто потому, что их никто не мог досчитать.
Распределённые вычисления позволяют закрывать такие случаи не теоретически, а вычислительно.
3. Проверяемость результатов
Это не локальные эксперименты.
Результаты валидируются, сохраняются и используются дальше другими исследователями.
Куда попадают результаты.
– BOINC
Каждая задача проходит проверку, статус «terminated» означает корректное завершение расчёта.
История сохраняется в системе.
– FactorDB
Все найденные множители и статус последовательностей публикуются в открытой базе данных.
Этой базой пользуются математики по всему миру.
Это не витрина, а рабочий инструмент.
Примеры:
https://factordb.com/aliquot.php?aq=3415890&type=1
https://factordb.com/aliquot.php?aq=3552666&type=1
Почему проект актуален сейчас.
– не все задачи ускоряются GPU
– большие числа плохо ложатся на массовый параллелизм
– многоядерные CPU идеально подходят под такие вычисления
YAFU@home — редкий случай, когда:
– старые серверы не простаивают зря
– многопоточность реально даёт эффект
– результат остаётся навсегда, а не пропадает после перезапуска
Проект:
YAFU@home — https://yafu.myfirewall.org/yafu/
Новости BOINC — https://boinc.berkeley.edu/project_news.php
🔥3
#YAFU
В середине декабря в новостях BOINC появились подтверждённые завершения вычислений в проекте YAFU@home:
– 3555072 — 07.12.2025
– 3552666 — 12.12.2025
– 3415890 — 14.12.2025
Что означает «завершено».
Это не просто очередная задача.
Это значит, что для конкретного числа:
– были найдены необходимые множители
– цепочка вычислений дошла до логического конца
– результат прошёл валидацию и зафиксирован
Почему это важно.
Такие расчёты могут идти годами.
Они зависят от:
– суммарного CPU-времени
– эффективности алгоритмов
– количества доступных вычислительных узлов
Каждое завершение — это закрытый вопрос, который больше не нужно пересчитывать.
Куда попал результат.
– статус зафиксирован в BOINC
– данные опубликованы в FactorDB
– последовательность больше не считается «открытой»
Примеры страниц:
https://factordb.com/aliquot.php?aq=3415890&type=1
https://factordb.com/aliquot.php?aq=3552666&type=1
Почему такие новости появляются редко.
– вычисления тяжёлые
– задачи плохо масштабируются
– иногда цепочки «застревают» на годы
Поэтому каждый такой milestone — это не мелочи, а реальный результат распределённых вычислений.
В середине декабря в новостях BOINC появились подтверждённые завершения вычислений в проекте YAFU@home:
– 3555072 — 07.12.2025
– 3552666 — 12.12.2025
– 3415890 — 14.12.2025
Что означает «завершено».
Это не просто очередная задача.
Это значит, что для конкретного числа:
– были найдены необходимые множители
– цепочка вычислений дошла до логического конца
– результат прошёл валидацию и зафиксирован
Почему это важно.
Такие расчёты могут идти годами.
Они зависят от:
– суммарного CPU-времени
– эффективности алгоритмов
– количества доступных вычислительных узлов
Каждое завершение — это закрытый вопрос, который больше не нужно пересчитывать.
Куда попал результат.
– статус зафиксирован в BOINC
– данные опубликованы в FactorDB
– последовательность больше не считается «открытой»
Примеры страниц:
https://factordb.com/aliquot.php?aq=3415890&type=1
https://factordb.com/aliquot.php?aq=3552666&type=1
Почему такие новости появляются редко.
– вычисления тяжёлые
– задачи плохо масштабируются
– иногда цепочки «застревают» на годы
Поэтому каждый такой milestone — это не мелочи, а реальный результат распределённых вычислений.
🔥6
Forwarded from Share.AI | Инсайты, события, комьюнити
Ученые NASA запустили ИИ под названием AnomalyMatch, который прогнал через себя архив телескопа Hubble. Почти 100 миллионов фрагментов изображений за пару дней.
В результате ИИ выявил более 1300 аномальных объектов, из которых свыше 800 никогда ранее не документировались в научной литературе.
Эти аномалии включают галактики с необычной формой (слияния, "медузьи" галактики с вытянутыми газовыми потоками), эффект гравитационного линзирования, кольцевые галактики и другие редкие космические явления.
Фактически ИИ:
• превратил архив в живой источник новых открытий
• показал, что астрономия больше не ограничена скоростью человека,
• доказал, что мы уже обладаем огромным объемом нераскрытых знаний, просто не умеем их быстро извлекать
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤1
Forwarded from Закиев Василь. (AI)ron manager (Василь Закиев)
Задачи для тестирования способностей ИИ в математике заканчиваются.
Теперь для тестирования дают реальные научные проблемы и там пока 0% решёных задач – такие бенчмарки мы любим.
Epoch.AI (это своего рода НИИ изучения ИИ;) год за годом увеличивал сложность экзаменов для проверки сопоностей GPT к математике. Бенчмарк FrontierMath дошёл до Tier 4, где модели решают исследовательские математические задачи. Но вместо ожидаемого Tier 5 Epoch выпустил трек Open Problems.
Что это:
— Задачи, которые не решены профессиональными математиками
— Выбраны такие, в которых можно автоматически проверить решение
— Если какая-то модель их решит — это не просто спортивный результат, это реальный вклад в науку
Текущий статус (январь 2026):
— Tier 4: решено 17 из 48 задач
— Open Problems: пока 0 решений
Следующими за математикой будут алгоритмы и информатика, а потом посыпятся и все остальные науки
epoch.ai/frontiermath
#ИИ
Теперь для тестирования дают реальные научные проблемы и там пока 0% решёных задач – такие бенчмарки мы любим.
Epoch.AI (это своего рода НИИ изучения ИИ;) год за годом увеличивал сложность экзаменов для проверки сопоностей GPT к математике. Бенчмарк FrontierMath дошёл до Tier 4, где модели решают исследовательские математические задачи. Но вместо ожидаемого Tier 5 Epoch выпустил трек Open Problems.
Что это:
— Задачи, которые не решены профессиональными математиками
— Выбраны такие, в которых можно автоматически проверить решение
— Если какая-то модель их решит — это не просто спортивный результат, это реальный вклад в науку
Текущий статус (январь 2026):
— Tier 4: решено 17 из 48 задач
— Open Problems: пока 0 решений
Следующими за математикой будут алгоритмы и информатика, а потом посыпятся и все остальные науки
epoch.ai/frontiermath
#ИИ
🔥3⚡1
Мои базовые настройки
для кранчинга на рабочем компьютере 24/7
Подходят в том числе ноутбуков типа Macbook Pro.
🔕 Отключение при активности – пусть работа идёт только, когда компьютер бездействует.
⚙️ Ограничение загрузки CPU до 80 % – почти не снижает производительность, но резко уменьшает шум и нагрев.
Энергопотребление падает условно на треть, а техника работает на тихих, долгосрочно эффективных режимах.
Никаких сложных скриптов, все делается просто в настройках BOINC клиента.
Если хочется полной тишины, то можно включить на ноутбуке энергоэффективный режим, тогда будут работать только E-ядра, а они даже при полной загрузке не разгоняют вентиляторы. На обычной работе энергоэффективный режим никак не скажется.
#boinc #советы
для кранчинга на рабочем компьютере 24/7
Подходят в том числе ноутбуков типа Macbook Pro.
🔕 Отключение при активности – пусть работа идёт только, когда компьютер бездействует.
⚙️ Ограничение загрузки CPU до 80 % – почти не снижает производительность, но резко уменьшает шум и нагрев.
Энергопотребление падает условно на треть, а техника работает на тихих, долгосрочно эффективных режимах.
Никаких сложных скриптов, все делается просто в настройках BOINC клиента.
Если хочется полной тишины, то можно включить на ноутбуке энергоэффективный режим, тогда будут работать только E-ядра, а они даже при полной загрузке не разгоняют вентиляторы. На обычной работе энергоэффективный режим никак не скажется.
#boinc #советы
#домашнаяялаборатория
RTX 4090/5090 + PrimeGrid: стоит обязательно ставить Power Limit
PrimeGrid — редкий BOINC-проект, который реально грузит RTX 4090 на 100%.
Большинство других проектов упираются в память, CPU или I/O и просто не создают полной нагрузки. С PrimeGrid — постоянный максимум (у меня даже оплавился некачественный коннектор провода питания). Это потребление до 450 ватт, излишнее тепло и шум.
При снижении Power Limit на 60-80% от максимума:
– потребление падает на ~100–150 Вт
– температура и шум заметно ниже
– производительность падает минимально
– эффективность (WU/Вт) становится существенно выше
Замеры эффективности RTX 4090 при Power Limit:
https://www.tomshardware.com/news/improving-nvidia-rtx-4090-efficiency-through-power-limiting
В погоне за дополнительными FPS производители видеокарт не видят проблемы в + 50% прироста потребления ради +5% прироста эффективности, а мы видим =D
Как поставить лимит на Linux
Как установить лимит на Windows
Power Limit не мешает так же сделать undervolting (https://t.me/gridcomputing/105), это может улучшить эффективность ещё больше
RTX 4090/5090 + PrimeGrid: стоит обязательно ставить Power Limit
PrimeGrid — редкий BOINC-проект, который реально грузит RTX 4090 на 100%.
Большинство других проектов упираются в память, CPU или I/O и просто не создают полной нагрузки. С PrimeGrid — постоянный максимум (у меня даже оплавился некачественный коннектор провода питания). Это потребление до 450 ватт, излишнее тепло и шум.
При снижении Power Limit на 60-80% от максимума:
– потребление падает на ~100–150 Вт
– температура и шум заметно ниже
– производительность падает минимально
– эффективность (WU/Вт) становится существенно выше
Замеры эффективности RTX 4090 при Power Limit:
https://www.tomshardware.com/news/improving-nvidia-rtx-4090-efficiency-through-power-limiting
В погоне за дополнительными FPS производители видеокарт не видят проблемы в + 50% прироста потребления ради +5% прироста эффективности, а мы видим =D
Как поставить лимит на Linux
nvidia-smi -pl 320
Как установить лимит на Windows
Установить MSI Afterburner
Сдвинуть Power Limit на 70%
Нажать Apply
Cохранить профиль и включить автозапуск
Power Limit не мешает так же сделать undervolting (https://t.me/gridcomputing/105), это может улучшить эффективность ещё больше
Ауфар (@AufarZ) зарелизил лёгкую альтернативу BOINС Manager.
Красивая, работает даже без установки
https://github.com/BOINC/boinc/discussions/6866
Будем рады тестированию, обратной связи, лайкам и аповутам по ссылке выше;)
Просто скачиваешь, выгружаешь BOINC Manager и запускаешь Fresco. Установки нет.
Особенно ценно будет, если попробуете на Linux.
Красивая, работает даже без установки
https://github.com/BOINC/boinc/discussions/6866
Будем рады тестированию, обратной связи, лайкам и аповутам по ссылке выше;)
Просто скачиваешь, выгружаешь BOINC Manager и запускаешь Fresco. Установки нет.
Особенно ценно будет, если попробуете на Linux.
🔥2❤1
Задачи на Einstein стали очень длинными на днях, разобрался с Сlaude Code почему. Вот разбор 👆
#einstein
#einstein
🔥3
#einstein #домашнаяялаборатория
A100 + Einstein@Home: больше задач — ниже throughput
У меня A100-SXM4-80GB считает задачи Einstein O4ASUHF. Дефолт: 4 задачи на GPU, каждая занимает ~1.9 ГБ из 80 ГБ. 90% памяти простаивает.
Очевидная идея — запустить 8 задач на GPU.
Попробовал.
Итог 7-часового бенчмарка:
Throughput упал с 4.2 до 3.6 jobs/h (−14%).
GPU utilization = 100% в обоих случаях — но nvidia-smi показывает «занятость», а не эффективность.
В общем – 4 задачи параллельно на GPU такого класса работают лучше 8. Дальше надо попробовать 3-5-6 и сравнить
A100 + Einstein@Home: больше задач — ниже throughput
У меня A100-SXM4-80GB считает задачи Einstein O4ASUHF. Дефолт: 4 задачи на GPU, каждая занимает ~1.9 ГБ из 80 ГБ. 90% памяти простаивает.
Очевидная идея — запустить 8 задач на GPU.
Попробовал.
Итог 7-часового бенчмарка:
Throughput упал с 4.2 до 3.6 jobs/h (−14%).
GPU utilization = 100% в обоих случаях — но nvidia-smi показывает «занятость», а не эффективность.
В общем – 4 задачи параллельно на GPU такого класса работают лучше 8. Дальше надо попробовать 3-5-6 и сравнить
🔥3❤1
BOINC Crunchathon 2026 — регистрация закрывается через 5 дней
LTT-комьюнити запускает командное соревнование по кранчингу: 9–30 марта 2026. Регистрация открыта до 7 марта (12:00 UTC).
Участвовать просто: выбираешь любые BOINC-проекты, кранчишь в период соревнования, получаешь LTT BOINC event badges. Соревнование командное — чем больше хостов в команде, тем лучше итог.
Крупное BOINC-событие от LTT-сообщества с таблицей результатов — хорошая возможность поддержать науку не в одиночку, а в рамках реального марафона.
Обсуждение и правила: https://linustechtips.com/topic/1631930-boinc-crunchathon-2026-march-9th-30th/
Форма регистрации: https://forms.gle/BKumKGNgTY7aukrT9
#boinc
LTT-комьюнити запускает командное соревнование по кранчингу: 9–30 марта 2026. Регистрация открыта до 7 марта (12:00 UTC).
Участвовать просто: выбираешь любые BOINC-проекты, кранчишь в период соревнования, получаешь LTT BOINC event badges. Соревнование командное — чем больше хостов в команде, тем лучше итог.
Крупное BOINC-событие от LTT-сообщества с таблицей результатов — хорошая возможность поддержать науку не в одиночку, а в рамках реального марафона.
Обсуждение и правила: https://linustechtips.com/topic/1631930-boinc-crunchathon-2026-march-9th-30th/
Форма регистрации: https://forms.gle/BKumKGNgTY7aukrT9
#boinc
👍4🔥3❤1
2,3 млн пар за 9 лет — Amicable Numbers завершается
#boinc #amicable
Amicable Numbers — BOINC-проект по поиску дружественных чисел — завершает работу в начале марта 2026.
Дружественные числа — это пара, где каждое «видит» другое через свои делители. Пример, известный ещё Пифагору: 220 и 284. Проект искал такие пары среди 21-значных чисел.
За 9 лет (с февраля 2017) тысячи волонтёров нашли более 2,3 млн пар до предела 2^64. Один из крупнейших математических поисков в истории BOINC.
Последний этап завершается сейчас. Ещё можно поставить своё имя в итоговую таблицу.
⭐️ sech.me/boinc/Amicable — пока есть время
#boinc #amicable
Amicable Numbers — BOINC-проект по поиску дружественных чисел — завершает работу в начале марта 2026.
Дружественные числа — это пара, где каждое «видит» другое через свои делители. Пример, известный ещё Пифагору: 220 и 284. Проект искал такие пары среди 21-значных чисел.
За 9 лет (с февраля 2017) тысячи волонтёров нашли более 2,3 млн пар до предела 2^64. Один из крупнейших математических поисков в истории BOINC.
Последний этап завершается сейчас. Ещё можно поставить своё имя в итоговую таблицу.
⭐️ sech.me/boinc/Amicable — пока есть время
🔥2⚡1❤1
на Fresco много улучшений, решены все открыте Issue и новый дизайн. Ждём побольше обратной связи
Fresco — это современный менеджер для BOINC (программы распределённых вычислений для науки).
Fresco — только интерфейс. Для работы нужен сам BOINC-клиент. Если его нет — скачай с boinc.berkeley.edu и установи со стандартными настройками.
Установка
Перейди на страницу релизов и скачай файл для своей системы: https://github.com/AufarZakiev/Fresco/releases
Fresco — это современный менеджер для BOINC (программы распределённых вычислений для науки).
Fresco — только интерфейс. Для работы нужен сам BOINC-клиент. Если его нет — скачай с boinc.berkeley.edu и установи со стандартными настройками.
Установка
Перейди на страницу релизов и скачай файл для своей системы: https://github.com/AufarZakiev/Fresco/releases
🔥3❤1
Forwarded from Ещё не AGI
Опыт: Кнут работал несколько недель. Claude решил задачу за час.
«Шок! Шок! Я узнал вчера, что открытая задача, над которой я работал несколько недель, только что была решена Claude Opus 4.6.»
Это написал 28 февраля 2026 года Дональд Кнут — лауреат премии Тьюринга, создатель TeX и «Искусства программирования». Вчера Reddit нашёл статью — и тред взорвался.
Задача была про куб из m³ точек: нужно нарисовать три маршрута, каждый из которых проходит через все точки ровно по одному разу, не повторяя ни одну, — и найти правило для куба любого нечётного размера. Формально: разбиение вершин m³-вершинного ориентированного графа на три Гамильтонова цикла для всех нечётных m > 2. Кнут работал над этим несколько недель.
Коллега Кнута Filip Stappers провёл с Claude около 31 итерации за примерно час. Не один промпт — управляемый процесс: модель пробовала brute force, serpentine-паттерны, fiber decompositions, simulated annealing, заходила в тупики и меняла стратегию. На 31-й — рабочая конструкция.
Паттерн нашёл Claude — доказательство написал Кнут. Он верифицировал результат, обобщил и вывел строгое математическое доказательство сам. Конструкция переоткрыла код Грея — классическую структуру в комбинаторике. Существует ровно 760 таких разложений, она работает для всех нечётных чисел до 101.
— Дональд Кнут, «Claude's Cycles», 28 февраля 2026
Статью Кнут назвал в честь модели. И добавил: «Похоже, мне придётся пересмотреть своё мнение о генеративном AI в один из этих дней.»
Кнут 50 лет учил людей думать алгоритмически. Теперь алгоритм удивил его самого.
— Когда скептик пересматривает мнение письменно — это не реклама, это данные. • Лера
«Шок! Шок! Я узнал вчера, что открытая задача, над которой я работал несколько недель, только что была решена Claude Opus 4.6.»
Это написал 28 февраля 2026 года Дональд Кнут — лауреат премии Тьюринга, создатель TeX и «Искусства программирования». Вчера Reddit нашёл статью — и тред взорвался.
Задача была про куб из m³ точек: нужно нарисовать три маршрута, каждый из которых проходит через все точки ровно по одному разу, не повторяя ни одну, — и найти правило для куба любого нечётного размера. Формально: разбиение вершин m³-вершинного ориентированного графа на три Гамильтонова цикла для всех нечётных m > 2. Кнут работал над этим несколько недель.
Коллега Кнута Filip Stappers провёл с Claude около 31 итерации за примерно час. Не один промпт — управляемый процесс: модель пробовала brute force, serpentine-паттерны, fiber decompositions, simulated annealing, заходила в тупики и меняла стратегию. На 31-й — рабочая конструкция.
Паттерн нашёл Claude — доказательство написал Кнут. Он верифицировал результат, обобщил и вывел строгое математическое доказательство сам. Конструкция переоткрыла код Грея — классическую структуру в комбинаторике. Существует ровно 760 таких разложений, она работает для всех нечётных чисел до 101.
«Какая радость — не только узнать, что моя гипотеза имеет красивое решение, но и отпраздновать этот драматический прогресс в автоматическом выводе и творческом решении задач.»
— Дональд Кнут, «Claude's Cycles», 28 февраля 2026
Статью Кнут назвал в честь модели. И добавил: «Похоже, мне придётся пересмотреть своё мнение о генеративном AI в один из этих дней.»
Кнут 50 лет учил людей думать алгоритмически. Теперь алгоритм удивил его самого.
— Когда скептик пересматривает мнение письменно — это не реклама, это данные. • Лера
🔥3👍1
F@h не умер. Он стал обучающей базой следующего поколения.
Когда вышел AlphaFold2, все ждали некролога: «Folding@home больше не нужен, белки предсказаны». Но проект живёт — и я понял почему.
Знать, где стоит шахматная фигура в конце партии — не значит понять, как она туда пришла. AlphaFold даёт снимок. Один кадр. F@h снимал видео — как белок дрожит, сгибается, открывает скрытые карманы.
Эти видео Microsoft взял и обучил на них BioEmu. Модель, которая воспроизводит динамику белка в десятки тысяч раз быстрее классической симуляции. Опубликовано в Science в 2025-м.
Поворот, который мне нравится: твой WU (задание) — это не просто кредиты в статистике. Это эталонные данные для AI, который теперь делает за секунды то, на что раньше уходили месяцы суперкомпьютерного времени.
#folding #boinc
Когда вышел AlphaFold2, все ждали некролога: «Folding@home больше не нужен, белки предсказаны». Но проект живёт — и я понял почему.
Знать, где стоит шахматная фигура в конце партии — не значит понять, как она туда пришла. AlphaFold даёт снимок. Один кадр. F@h снимал видео — как белок дрожит, сгибается, открывает скрытые карманы.
Эти видео Microsoft взял и обучил на них BioEmu. Модель, которая воспроизводит динамику белка в десятки тысяч раз быстрее классической симуляции. Опубликовано в Science в 2025-м.
Поворот, который мне нравится: твой WU (задание) — это не просто кредиты в статистике. Это эталонные данные для AI, который теперь делает за секунды то, на что раньше уходили месяцы суперкомпьютерного времени.
#folding #boinc
❤1🔥1💯1