Ushbu tadqiqot k-means, k-eng yaqin qo‘shni, ko‘p qatlamli perseptron, genetik algoritm va Mamdani noaniq xulosa chiqarish tizimini Python, C, C++, Rust, Go va Julia tillarida tashqi sonli kutubxonalardan foydalanmasdan noldan amalga oshirib, bajarilish vaqti, cho‘qqi xotira sarfi, bajariladigan fayl hajmi, kod satrlari soni va kompilyatsiya vaqtini taqqosladi. Apple M1 Pro da o‘tkazilgan tajribalarda C va C++ deyarli bir xil tezlik darajasida bo‘ldi, Rust esa geometrik o‘rtachada C dan %9 sekin qoldi. Julia C ning 3,30 baravari, Go 5,01 baravari va Python 314,6 baravari bajarilish vaqtini ko‘rsatdi. Biroq natijalar bitta apparat va operatsion tizimga, kichik va klassik sun’iy intellekt algoritmlariga hamda kutubxonasiz implementatsiyalarga tayangani sababli zamonaviy GPU modellari yoki NumPy va PyTorch ishlatadigan haqiqiy Python ilovalariga bevosita umumlashtirib bo‘lmaydi.

Xotira natijalari bajarilish vaqti tartibidan farqli ko‘rinish berdi. C, C++ va Rust barcha sinovlarda 6 MiB dan past qoldi, Go o‘rtacha 6,3 MiB, Python 27,6 MiB va Julia 224,2 MiB cho‘qqi rezident xotiradan foydalandi. Julianing yuqori qiymati sinov ma’lumotlaridan katta darajada mustaqil ko‘ringan runtime va just-in-time kompilyatsiya yukini aks ettiradi. Til reytinglari ish yukiga bog‘liq ekani ham ko‘rsatildi: Go ning C ga nisbatan sekinlashish darajasi k-NN da taxminan 2,6 baravar bo‘lsa, k-means sinovida taxminan 8 baravarga chiqdi.

Turkiya nuqtai nazaridan baholash: Natijalar Turkiyada sun’iy intellekt infratuzilmasi, o‘rnatilgan tizimlar, sanoat avtomatizatsiyasi, robototexnika, mahalliy inference servislar va resursi cheklangan chekka qurilmalarni ishlab chiqayotgan jamoalar uchun ahamiyatli. Tadqiqot algoritmni bevosita va kutubxonasiz amalga oshirish kerak bo‘lgan holatlarda til tanlovi vaqt va xotira bo‘yicha katta farq hosil qilishi mumkinligini ko‘rsatadi. Turkiyada texnologik qaror berishdan oldin ayni taqqoslovlar maqsadli x86-64 yoki ARM protsessorlarda, Linux va Windows muhitlarida, haqiqiy ma’lumot to‘plamlari, ishlatiladigan mahalliy yoki korporativ dasturiy stack hamda zarur bo‘lsa GPU tezlashtirish bilan takrorlanishi kerak. Tadqiqotdan Turkiyadagi barcha sun’iy intellekt loyihalarida C++ yoki Rust albatta eng yaxshi tanlov ekani yoki Python haqiqiy ilovalarda yuzlab marta sekin ishlashi haqidagi xulosa chiqarib bo‘lmaydi.

Tadqiqotning asosiy savoli nima?

Tadqiqot sun’iy intellekt dasturchisi tayyor kutubxonadan foydalana olmaydigan holatda qaysi dasturlash tilini tanlashi kerakligini o‘rganadi. Bunday holat tegishli algoritm uchun hali kutubxona implementatsiyasi mavjud bo‘lmaganda, maqsad qurilma resurslari cheklanganida yoki yangi sun’iy intellekt infratuzilmasining asosiy komponentlari ishlab chiqilayotganda yuzaga kelishi mumkin.

Tadqiqotning boshlang‘ich nuqtasi shuki, sun’iy intellekt ilovalarida ko‘rinadigan til bilan og‘ir hisoblashni bajaradigan til ko‘pincha bir xil bo‘lmaydi. Python tajriba dizayni, ma’lumot oqimi va model chaqiruvlari uchun ishlatilsa ham, NumPy, PyTorch va shunga o‘xshash tuzilmalar unumdorlik uchun kritik hisoblarni ko‘pincha kompilyatsiya qilingan mahalliy kodlarga uzatadi. Shu sabab Python bilan ishlaydigan kutubxonaning tezligi faqat Python interpretatori tezligini anglatmaydi.

Tadqiqotchilar bu chalkashlikni bartaraf etish uchun barcha algoritmlarni Python, C, C++, Rust, Go va Julia tillarida tashqi machine learning yoki sonli hisoblash kutubxonalarisiz noldan amalga oshirgan. Shu tariqa kuzatilgan farqlarning imkon qadar uchinchi tomon kutubxonalaridan emas, til implementatsiyalari, kompilyatorlar va runtime tizimlaridan kelib chiqishi maqsad qilingan.

Adabiyotdagi qaysi bo‘shliq nishonga olingan?

Dasturlash tillari avval bajarilish vaqti, energiya sarfi, xotira foydalanishi va kod ishlab chiqish xarajati bo‘yicha taqqoslangan. Biroq an’anaviy til benchmarklari ko‘pincha saralash, rekursiya, daraxtlarni qayta ishlash yoki kichik sonli yadrolar kabi umumiy maqsadli ish yuklaridan foydalanadi. Bu ish yuklari sun’iy intellekt algoritmlarida uchraydigan iterativ optimallashtirish, zich suzuvchi nuqtali hisoblash, populyatsiyaga asoslangan qidiruv va qoidaga asoslangan xulosa chiqarish shakllarini bir vaqtning o‘zida ifodalamaydi.

Boshqa tomondan sun’iy intellekt kontekstidagi ko‘p til taqqoslovlari tayyor va yuqori darajada optimallashtirilgan kutubxonalardan foydalanadi. Python va Julia dasturlari bir xil mahalliy sonli yadroga murojaat qiladigan sinovda olingan vaqt yuqori darajadagi tillardan ko‘ra ostidagi C, C++, Rust yoki GPU implementatsiyasini o‘lchashi mumkin. Tadqiqot shu ikki taqqoslov turi o‘rtasidagi bo‘shliqni kutubxonasiz va algoritmik jihatdan moslashtirilgan implementatsiyalar bilan to‘ldirishni maqsad qilgan.

Qaysi tillar va toolchainlar taqqoslangan?

Tajribalar oltita performance va ikkita efficiency yadrosiga ega Apple M1 Pro protsessorli, 16 GB birlashtirilgan xotirali MacBook da va macOS operatsion tizimida o‘tkazilgan. SIMD intrinsic funksiyalari, qo‘lda vektorlashtirish va tashqi sonli kutubxonalar ishlatilmagan.

Nega beshta sun’iy intellekt algoritmi tanlangan?

Algoritmlar zamonaviy sun’iy intellektning eng ilg‘or modellarini ifodalash uchun emas, balki turli hisoblash shakllarini nazorat qilinadigan va takrorlanadigan tarzda sinash uchun tanlangan. Beshta algoritm data mining, instance-based learning, neural-network training, evolutionary computation va fuzzy logic sohalarini qamrab oladi.

Tillar o‘rtasida ayni hisoblash qanday ta’minlangan?

Tadqiqotchilar barcha tillarda bir xil algoritm xususiyatlari, boshlang‘ich shartlar, tenglikni buzish qoidalari va to‘xtash mezonlarini ishlatgan. Tasodifiy kirishlarni moslashtirish uchun har bir tilda ayni 64 bitlik linear congruential generator amalga oshirilgan.

\[ s_{i+1} = (a s_i + c) \bmod 2^{64} \]

Bu tenglamada s_i i-chi bosqichdagi 64 bitlik ichki holatni; a ko‘paytiruvchini va c orttirish konstantasini bildiradi. Tadqiqotda:

• a = 6364136223846793005
• c = 1442695040888963407
• boshlang‘ich urug‘ s₀ = 42

deb belgilangan.

\[ u_i = \frac{s_i \gg 33}{2^{31}} \]

Bu yerdagi >> 33 operatsiyasi 64 bitlik holatni 33 bit o‘ngga siljitishni bildiradi. Olingan butun son 2³¹ ga bo‘linib o‘lchovsiz pseudo-random son hosil qilinadi. Har bir tilda sonlarning ayni tartibda iste’mol qilinishi tajriba kirishlarini moslashtirishni ta’minlagan.

Tillarning matematik kutubxonalari orasida farq paydo bo‘lmasligi uchun kvadrat ildiz, eksponential, logarifm va kosinus kabi transsendent funksiyalardan qochilgan. k-NN va k-means sinovlarida kvadrat ildiz o‘rniga kvadratlangan Evklid masofasi ishlatilgan. MLP da sigmoid yoki softmax o‘rniga ReLU va o‘rtacha kvadratik xato qo‘llangan. Genetik algoritmda kosinusli Rastrigin funksiyasi o‘rniga polinom shaklidagi Rosenbrock funksiyasi tanlangan.

Har bir dastur butun sonli va suzuvchi nuqtali chiqish fingerprintini yaratgan. Butun son fingerprintlari oltita tilda to‘liq mos kelgan, suzuvchi nuqtali xulosalar oltita o‘nlik xonagacha bir xil topilgan. Kompilyatorlar fused multiply-add operatsiyasini qo‘llashi mumkinligi sabab tadqiqot barcha oraliq suzuvchi nuqtali natijalar mutlaq bit darajasida teng ekanini ko‘rsatmaydi.

Vaqt va xotira qanday o‘lchangan?

Har bir til–algoritm jufti uchta warm-up ishga tushirishdan keyin o‘n marta o‘lchangan. Wall-clock vaqt hyperfine, cho‘qqi resident memory esa macOS dagi /usr/bin/time -l va ru_maxrss qiymati bilan aniqlangan. Standart chiqish /dev/null ga yo‘naltirilgan, biroq dead-code eliminationni oldini olish uchun dasturlar fingerprintlarni baribir hisoblab, chiqarib bergan.

Bajarilish vaqti va xotiradan tashqari kompilyatsiya qilingan fayl hajmi, beshta implementatsiyaning jami kod satri va cache tozalangandan keyingi cold compile time ham o‘lchangan. Turli algoritmlardagi slowdown nisbatlari C ga nisbatan normallashtirilgach, geometrik o‘rtacha bilan birlashtirilgan.

Bajarilish vaqti natijalari nimani ko‘rsatadi?

Eng tez unumdorlik qatlamini C, C++ va Rust tashkil qilgan. C bilan C++ o‘rtasidagi farqlar beshta sinovda ham %2 dan past qolgan. C++ k-means, k-NN, MLP va genetik algoritm sinovlarida kichik farqlar bilan oldinga chiqqan, C esa fuzzy inference sinovida pastroq vaqt bergan. Rustning C ga nisbatan geometrik o‘rtacha sekinlashish koeffitsienti 1,09 bo‘lgan.

Tadqiqotning 9. sahifasidagi logarifmik grafik uchta unumdorlik qatlamini vizual ravishda aniq ajratadi. C, C++ va Rust ustunlari grafikning pastki qismida bir-biriga juda yaqin ko‘rinadi, Julia va Go o‘rta hududda joylashgan. Python ustunlari esa barcha algoritmlarda boshqa tillardan ancha yuqorida.

Pythonning C ga nisbatan farqi algoritmga qarab o‘zgargan. Eng past nisbat tarmoqlanishga og‘ir genetik algoritmda taxminan 149 baravar, eng yuqori nisbat esa zich arifmetikaga ega k-means sinovida taxminan 463 baravar bo‘lgan. Bu natija Python barcha ish yuklarida bitta sobit nisbatda sekin emasligini ko‘rsatadi.

Python uchun 315 baravar natija qanday talqin qilinishi kerak?

314,6 baravar qiymat Python da yozilgan barcha sun’iy intellekt ilovalari C dan shu nisbatda sekin degani emas. Tadqiqot Python kodini NumPy, PyTorch, Numba, Cython, JAX yoki boshqa mahalliy hisoblash kutubxonasiz, ochiq sikllar va skalyar operatsiyalar bilan ishlatgan.

Pythonning haqiqiy sun’iy intellekt ishlab chiqishdagi asosiy afzalligi sonli operatsiyalarni optimallashtirilgan mahalliy yadrolarga uzata oladigan keng dasturiy ekotizimdir. Tadqiqot natijasi Python ushbu kutubxonalardan mahrum bo‘lganda til darajasidagi interpretatsiya xarajati yaqqol ko‘rinishini ko‘rsatadi. Natija PyTorch bilan o‘qitilgan model ayni C++ modelidan 315 baravar sekin bo‘ladi degani emas.

Xotira foydalanishida qaysi til ajralib turdi?

C va C++ o‘rtacha 3,5 MiB, Rust 3,7 MiB cho‘qqi rezident xotiradan foydalandi. Go ning o‘rtachasi 6,3 MiB, Pythonniki 27,6 MiB va Julianiki 224,2 MiB deb o‘lchandi.

11. sahifadagi logarifmik xotira grafikida Julia ustunlari barcha ish yuklarida taxminan bir xil balandlikda va boshqa tillardan aniq yuqorida ko‘rinadi. Bu holat Julianing JIT kompilyatori va runtime uchun sobit boshlang‘ich xarajat tashishi haqidagi talqinni qo‘llab-quvvatlaydi. Uzoq vaqt ishlaydigan va katta ma’lumotlarni qayta ishlaydigan ilovalarda bu sobit xarajatning nisbiy ahamiyati kamayishi mumkin; biroq kichik va qisqa muddatli operatsiyalarda yoki kam xotirali qurilmalarda muhim bo‘lishi mumkin.

Kod uzunligi haqiqatan unumdorlikni o‘lchaydimi?

Besh algoritmdagi jami kod satrlari C++ uchun 397, C va Python uchun 406, Rust uchun 474, Julia uchun 514 va Go uchun 541 deb bildirilgan. Pythonning C dan qisqaroq bo‘lmasligi tadqiqotning eng e’tiborli topilmalaridan biridir.

Biroq kod satrlari soni ishlab chiqish vaqti, xizmat ko‘rsatish osonligi, xato darajasi, o‘qiluvchanlik yoki dasturchi tajribasi bilan bir xil narsa emas. Tadqiqot dasturchilar algoritmlarni yozishga sarflagan haqiqiy vaqtni yoki debug xarajatini o‘lchamagan. Shu sabab satrlar soni faqat cheklangan implementatsiya murakkabligi ko‘rsatkichidir.

Rustning uzoqroq kompilyatsiya vaqti tadqiqotda link-time optimization va bitta code generation unit kabi intensiv optimallashtirish sozlamalari bilan birga baholanishi kerak. Go ning taxminan 2,5 MB hajmdagi fayli esa runtime va garbage collectorning bajariladigan faylga qo‘shilishi bilan bog‘langan.

12. sahifadagi radar grafik nimani ko‘rsatadi?

Radar grafik tezlik, xotira, binary fayl hajmi, kompilyatsiya va kod satri mezonlarini yuqoriroq qiymat yaxshiroq bo‘ladigan tarzda normallashtiradi. C bilan C++ chiziqlari deyarli to‘liq ustma-ust tushadi. Rust tezlik va xotira o‘qlarida bu ikki tilga yaqinlashadi, kompilyatsiya va fayl hajmi bo‘yicha esa ortda qoladi.

Julia bilan Python kod satri o‘qida ma’lum darajada yaxshiroq ko‘rinsa-da, bajarilish vaqti hamda xotira o‘qlarida pastroq qiymat oladi. Biroq turli xususiyatdagi mezonlarni bitta grafikda normallashtirish bir til barcha loyihalar uchun umuman ustun degani emas. Loyihaning qaysi o‘qqa ko‘proq ahamiyat berishi alohida belgilanadi.

Nega til reytingi ish yukiga qarab o‘zgaradi?

Go ning C ga nisbatan sekinlashish darajasi k-NN da taxminan 2,6 baravar, k-means sinovida esa taxminan 8 baravar. k-means, MLP va fuzzy inference sinovlari zich suzuvchi nuqtali hisoblar va reductionsni o‘z ichiga oladi, k-NN esa taqqoslash va indekslashga ko‘proq tayanadi. Kompilyator optimallashtirishlari, bounds checking, xotira joylashuvi va runtime xatti-harakati bu operatsiya turlariga turlicha ta’sir ko‘rsatishi mumkin.

Julia eng kuchli nisbiy natijasini genetik algoritmda ko‘rsatgan. Tadqiqotchilar buni genetik algoritmning branching-heavy tuzilmasi agressiv optimallashtirilgan tizim tillarining ayrim afzalliklarini kamaytirishi bilan bog‘laydi. Bu izoh mantiqiy talqin sifatida taqdim etilgan; biroq hardware counterlar yoki past darajadagi protsessor profillari bilan bevosita sinovdan o‘tkazilmagan.

Tadqiqot qo‘llab-quvvatlaydigan natijalar nimalar?

• Kutubxonasiz va noldan yozilgan klassik sun’iy intellekt algoritmlarida C va C++ bajarilish vaqti hamda xotira bo‘yicha eng kuchli qatlamni tashkil qilgan.
• Rust ishlatilgan optimallashtirish sozlamalarida C dan geometrik o‘rtacha %9 ortda qolgan va o‘xshash xotira sarfini ko‘rsatgan.
• Julia bajarilish vaqtida aksariyat sinovlarda Go dan tezroq bo‘lsa-da, ancha yuqori sobit xotira yukiga ega bo‘lgan.
• Go ning nisbiy unumdorligi algoritmning hisoblash tuzilmasiga qarab sezilarli o‘zgargan.
• Python optimallashtirilgan mahalliy kutubxonalarsiz ochiq sikllarda ishlatilganda boshqa tillardan ancha sekin natija bergan.
• Til tanlovi faqat bajarilish vaqti bilan emas, xotira, fayl hajmi, kompilyatsiya vaqti, xavfsizlik va maqsad ish muhiti bilan birga baholanishi kerak.

Tadqiqot nimani isbotlamaydi?

• Python bilan ishlab chiqilgan barcha sun’iy intellekt ilovalari C dan 315 baravar sekinligini isbotlamaydi.
• PyTorch, TensorFlow, NumPy, JAX yoki GPU kutubxonalarining haqiqiy unumdorligini taqqoslamaydi.
• C++ yoki Rust barcha apparat, operatsion tizim va algoritmlarda eng yaxshi til ekanini ko‘rsatmaydi.
• Kod satrlari soni haqiqiy ishlab chiqish vaqti yoki dasturchi unumdorligini ifodalashini isbotlamaydi.
• Energiya iste’moli, parallel masshtablanuvchanlik, GPU unumdorligi, tarmoq kechikishi yoki taqsimlangan tizim xatti-harakatini o‘lchamaydi.
• Zamonaviy transformer, katta til modeli yoki katta ko‘lamli deep learning training hisoblash tuzilmasini bevosita ifodalamaydi.

Tadqiqotning kuchli tomonlari nimalar?

• Oltita tilda bir xil beshta algoritm noldan amalga oshirilgan.
• Kirishlar umumiy pseudo-random number generator bilan moslashtirilgan.
• Boshlang‘ich, tie-breaking va stopping qoidalari aniq belgilangan.
• Output fingerprintlar bilan hisoblarning ekvivalentligi nazorat qilingan.
• Har bir vaqt o‘lchovi uch warm-up va o‘n o‘lchov ishga tushirish bilan bajarilgan.
• Vaqtdan tashqari xotira, fayl hajmi, kod satri va kompilyatsiya xarajati ham baholangan.
• Turli hisoblash shakllariga ega beshta algoritm ishlatilib, ish yukiga bog‘liq o‘zgarish ko‘rsatilgan.

Tadqiqotning asosiy cheklovlari nimalar?

Barcha o‘lchovlar bitta Apple M1 Pro kompyuterda va macOS da bajarilgan. Ayni kodlar x86-64 protsessorlarda, Linux yoki Windows da, boshqa kompilyatorlar va turli xotira arxitekturalarida ayni nisbatlarni berishi kafolatlanmaydi.

Julia o‘lchovlari startup va JIT kompilyatsiya xarajatini o‘z ichiga oladi. Qisqa testlarda bu xarajat jami vaqtning muhim qismini tashkil qilishi mumkin; uzoq ishlaydigan ilovalarda esa ko‘plab operatsiyalar orasida taqsimlanadi. Shu sabab Julia natijalari doimiy servis bilan bir martalik command-line operatsiyasi uchun turlicha ma’noga ega.

Tashqi kutubxonalar, SIMD, qo‘lda vektorlashtirish va GPU ishlatilmasligi tilning asosiy bajarilish usulini o‘rganishni osonlashtirgan; biroq haqiqiy sun’iy intellekt dasturlarining unumdorligini ifodalash kuchini kamaytirgan. Zamonaviy tizimlarda og‘ir matrix operatsiyalari odatda BLAS, CUDA, Metal yoki boshqa mahalliy yadrolarda bajariladi.

Sonli moslik maqsadida eksponential, logarifmik, kvadrat ildiz va trigonometrik funksiyalardan qochish haqiqiy machine learning ish yuklarining ayrim muhim operatsiya turlarini qamrovdan tashqarida qoldirgan. MLP modeli ham zamonaviy chuqur tarmoqlardan ko‘ra nazorat qilinadigan zich hisoblash yadrosi sifatida baholanishi kerak.

Tadqiqot usuli va topilmalari

Tajriba tuzilmasining texnik xulosasi

Uchta asosiy unumdorlik qatlami

1. Yuqori unumdorlik qatlami: C, C++ va Rust. C bilan C++ amalda bir xil darajada, Rust esa geometrik o‘rtachada %9 ortda.
2. O‘rta qatlam: Julia va Go. Julia C dan 3,30 baravar, Go 5,01 baravar uzoqroq bajarilish vaqtini ko‘rsatgan.
3. Interpretator qatlami: Kutubxonasiz Python C ning 314,6 baravari geometrik o‘rtacha vaqtga yetgan.

Tezlik va xotira birga baholanganda

C va C++ ham vaqt, ham xotira bo‘yicha eng past qiymatlarni bergan. Rust juda kichik xotira farqi bilan bu ikkisiga yaqin qolgan. Julia Go dan tezroq bo‘lgan aksariyat testlarda taxminan 224 MiB sobit xotira yukiga ega bo‘lsa, Go 10 MiB dan past qolgan. Shu sabab Julia bilan Go orasidagi tanlovni faqat vaqt bo‘yicha qilish mumkin emas.

Resursi cheklangan va qisqa muddatli chekka ilovada Julianing sobit runtime xarajati muhim bo‘lishi mumkin. Uzoq vaqt ochiq qoladigan va ko‘p hisoblash bajaradigan servis uchun ayni xarajat operatsiyalar orasida taqsimlanadi. Go kattaroq bajariladigan fayl yaratsa-da, runtime xotira sarfi Julia va Pythondan past qolgan.

Implementatsiya tilini tanlash uchun tadqiqotdan olinadigan amaliy ramka

Natijalarni to‘g‘ri ishlatish usuli

Tadqiqot “eng yaxshi sun’iy intellekt tili” uchun universal reyting bermaydi. Natijalar kutubxonasiz klassik algoritmlarning bitta yadroli yoki cheklangan parallel CPU implementatsiyalariga oid nazoratli taqqoslovdir. Til tanlashda haqiqiy algoritm, maqsad protsessor, xotira cheklovi, operatsion tizim, xavfsizlik talabi, jamoa tajribasi, foydalaniladigan kutubxonalar va dastur qancha vaqt ishlashi birgalikda baholanishi kerak.

Manba va usul eslatmasi

Tadqiqotning to‘liq asl nomi: Behind Python: The Languages That Power AI

Mualliflar: Juan P. Licona-Luque, Beatriz A. Bosques-Palomo, Nezih Nieto-Gutiérrez, Gustavo de los Ríos-Alatorre va Luis A. Muñoz-Ubando

Mualliflar tartibi: Yuqoridagi ro‘yxat tadqiqotdagi asl mualliflar tartibini saqlaydi.

Teng birinchi muallif ma’lumoti: Tadqiqotda teng hissa yoki teng birinchi mualliflik ma’lumoti yo‘q.

Mas’ul muallif ma’lumoti: Tadqiqotda aniq mas’ul muallif bayonoti mavjud emas. arXiv topshirig‘i Juan P. Licona-Luque tomonidan bajarilgan; bu ma’lumot mas’ul mualliflik deb talqin qilinmagan.

Muassasa: Tecnológico de Monterrey, Monterrey, Nuevo León, Meksika

DOI:10.48550/arXiv.2606.18141

Jurnal: Tadqiqot jurnalda nashr etilmagan.

Asl nashriyot: Asl jurnal nashriyoti haqida ma’lumot yo‘q.

Nashr platformasi: arXiv

arXiv identifikatori: arXiv:2606.18141 [cs.PL]

Nashr yili: 2026

Manba turi: Nazorat qilinadigan eksperimental unumdorlik benchmarki xususiyatidagi preprint

Peer-review holati: Ushbu tadqiqot peer review’dan o‘tgani tasdiqlanmagan preprint; natijalar shu cheklovni hisobga olib o‘qilishi kerak.

Rasmiy havola:arXiv tadqiqot sahifasi

Ushbu o‘zbekcha maqola yuklangan 17 sahifalik tadqiqotning matni, formulasi, jadvallari va grafiklari to‘liq ko‘rib chiqilib tayyorlangan. Unumdorlik qiymatlari, xotira sarfi, toolchainlar va algoritm parametrlari faqat tadqiqotda bildirilgan ma’lumotlardan olingan. Tashqi manbalar faqat sarlavha, mualliflar, DOI, platforma, sana va nashr holatini bibliografik tekshirish uchun ishlatilgan.

Tadqiqotning asosiy cheklovlari bitta apparat va operatsion tizimdan foydalanish, tashqi kutubxonalar va GPU ni chiqarib tashlash, Julia startup va JIT xarajatini o‘lchovlarga qo‘shish, zamonaviy deep-learning yadrolarini sinamaslik va kod satrlari soni ishlab chiqish unumdorligining bevosita o‘lchovi emasligidir. Bu natijalar zamonaviy sun’iy intellekt frameworklari, katta til modellari yoki GPU treninglarining umumiy unumdorlik taqqoslovi sifatida talqin qilinmasligi kerak.