Axiom JDK оптимизировали для архитектуры RISC-V

Axiom JDK оптимизировали для архитектуры RISC-V

Axiom JDK оптимизировали для архитектуры RISC-V

Компания Axiom JDK оптимизировала производительность Java-приложений и выпустила специальную версию Axiom JDK Pro Server для работы в системах на архитектуре RISC-V.

Данная оптимизация позволит эффективнее работать с высоконагруженными Java-приложениями на RISC-V и обеспечивать бесшовную миграцию Java-стека на перспективные решения.

Усовершенствованная среда исполнения Java содержит специализированные патчи для RISC-V IP-ядер участников российского Альянса RISC-V. В результате российская платформа Java Axiom JDK позволит запускать любые приложения, написанные на Java, которые могут работать на аппаратных решениях, соответствующих стандарту RISC-V.

Оптимизированная платформа Java Axiom JDK Pro Server для RISC-V уже предлагается для коммерческого использования. Речь идет о версиях с длительной поддержкой (LTS) JDK 17 и 21 и включает регулярные обновления безопасности.

Совершенствование Axiom JDK для систем на архитектуре RISC-V увеличивает потенциал российского ИТ-сообщества в создании импортонезависимых программно-аппаратных решений. Достоинствами архитектуры RISC-V является открытость, модульность и постоянно развивающаяся экосистема, включающая в себя все современные наработки в создании процессорных архитектур и программного обеспечения.

«Мы рады, что в России есть сильное сообщество Java профессионалов, заинтересованных в программно-аппаратных оптимизациях для развития открытых процессорных архитектур. Альянс RISC-V ожидает от сотрудничества с Axiom JDK улучшения качества поддержки RISC-V в отечественной платформе Java, OpenJDK, поиска новых архитектурных идей и развития профиля прикладных RISC-V процессоров RVA23, укрепляя базу для технологического суверенитета. Качественное решение даст весомые преимущества для заказчиков при формировании ИТ-стратегии на отечественном программно-аппаратном стеке и развитии систем на платформе Java, которая используется в подавляющем числе корпоративных систем в России», — сказал Сергей Якушкин, глава Технологического комитета Альянса RISC-V.

«Инженеры Axiom JDK ежедневно работают над тем, чтобы удовлетворять потребности отечественных разработчиков в Java-технологиях. Мы выпускаем регулярные обновления и улучшения, занимаемся локализацией, поддерживаем современные аппаратные платформы и постоянно инвестируем в развитие. Такая стратегия обеспечивает разработчиков полнофункциональным инструментарием для создания новых критически важных систем и миграции существующих на доверенный Java-стек. Мы гордимся, что можем предоставить российским компаниям все необходимые инструменты для безопасной и эффективной Java-разработки и подтвердить, что Java в России — это мы», — отметил Роман Карпов, директор по стратегии и развитию технологий Axiom JDK.

Лучшие LLM ошибаются с ядовитыми грибами в каждом девятом случае

Разработчик Пётр Мигдал проверил, можно ли доверить нейросети самый рискованный этап тихой охоты — определение грибов по фотографии. Короткий ответ: если очень хочется однажды поужинать дважды, то можно. В бенчмарк вошли 1040 фотографий 55 видов грибов, наиболее распространённых в Польше.

Изображения взяли из датасета FungiTastic, созданного на основе Atlas of Danish Fungi. Полная база содержит свыше 600 тыс. снимков с экспертной классификацией, а для части образцов вид подтверждён анализом ДНК.

Модели показывали каждую фотографию и просили назвать пять наиболее вероятных видов на латыни. Дополнительно их не обучали и специальные инструменты не подключали.


Лучше остальных справилась Gemini 3.8 Flash: правильный вид оказался на первом месте в 65% случаев и попал в пятёрку ответов в 85%. Немного отстали Gemini 3.6 Flash с результатами 64% и 85%, а также Gemini 3.7 Flash — 61% и 82%. Внизу таблицы расположились Qwen 3.8 27B, MiniMax-M3 и Qwen 3.8 Flash.


Но высокая точность закончилась там, где начался вопрос безопасности. Gemini 3.8 Flash и Gemini 3.6 Flash примерно в 11% случаев определяли ядовитые грибы как съедобные виды. У GPT-5.6 Sol доля опасных ошибок достигла 24%, у Claude Opus 5 — 29%, а у Qwen 3.8 27B — 36%. То есть последняя модель потенциально отправляла в корзину не тот гриб чаще чем в каждом третьем случае.

Есть важная оговорка: нейросети напрямую не спрашивали, можно ли есть находку. Они определяли вид, а затем исследователь сопоставлял ответы с таблицей съедобности. Некоторые модели и вовсе отказывались давать классификацию.

RSS: Новости на портале Anti-Malware.ru