ANDREW/
選單工程實驗
中EN

THE GREAT DESK SHUFFLE / 先看辦公室跑一輪

桌子不夠,工作還得做。

先看大家怎麼交接文件,再換一種排法。桌子省下來了,工作也有做完嗎?

你的辦公室

改設定會停止播放並重開本輪。

更多操作
↓ 到班等候區
WC 洗手間
三種排法有什麼不同?
今天的工作與截止時間

回到上方,開始這一輪 ↑
▤ 人離開,文件可能還要用。⚡ 換人前,先看文件能不能交接。「3桌」表示需要三張連號桌。

回看的是同一次確定性排程。暫停、單步與重播不會改政策或偷偷修復文件。

工程視角:桌子、文件與記憶體怎麼對應?

主畫面每張桌都代表一個工作位;多螢幕與攤開的文件需要連號桌子,不能只看空桌總數。在這個示意模型裡,一桌對應一個 1 KiB 儲存區,多桌對應較大的連續範圍;每排四桌只是畫面換行;例如 4+5 仍是連續位址,可以配置同一份文件。

員工代表需要資料的工作,文件標記代表內容;「人暫離」與「文件還有後續讀者」分開判斷。專屬政策為每人保留固定範圍;安全交接等最後讀取完成;冒進政策只看椅子,可能覆寫仍需使用的文件。專屬政策在到班時尋找尚未配置的連號空位;大份工作排不下時,不會擋住放得下的小份工作。配置過的桌不再交接,沒有可用範圍的人會等位,不會假裝在超出容量的空間執行。

這些案例的到班、工作量、等待與搬位都是教學設定;畫面快慢不是推論效能,也不重現原文固定 Tensor 排程。原文實測在下一個獨立區塊,不能拿本遊戲的桌數換算成加速百分比。

目前文件與範圍 · illustrative
員工/文件桌子Offset / size後續需求/內容

本輪實際保留時間

從首次入座寫入,到工作與複查全部結束;尚未交付者顯示到本輪結尾。

對照原文實測:容量、正確性與效能 ↗

遊戲之外,真實實驗說了什麼?

MEASURED · 原文實測

以下數字來自 tiny-arena-lab,並非上方辦公室的模擬輸出。

Tensor Arena8,832 → 6,144 B

減少約 30.4%,符合 7 KiB 預算。

分類準確率97.33%

兩種配置皆為 438 / 450;逐筆分類與 scikit-learn 參考一致。

每筆攤提時間0.685 / 0.686 μs

未重用 / 重用。觀測範圍重疊,沒有證明可靠的加速或變慢。

量測條件、來源與限制

手寫數字分類、batch size 16、450 筆保留測試資料,Apple M5 Pro 主機實驗。六次獨立程序,各取中位數後再取六個中位數的中位數。攤提時間不是單筆請求延遲;包含最後一批填補運算、工作計數與輸出指紋計算,計時後再核對計數與指紋。

6,144 B 只算 Tensor Arena,權重、配置資訊、輸入與其他開銷另計。7 KiB 是設定的實驗預算,並非 MCU 實測可用 RAM,不能直接證明能在 MCU 部署。遊戲員工、工作、排程與覆寫標記均為教學設定;示意正確性不是模型分類準確率。

閱讀原文:Tensor Arena 省了 30%,推論卻沒有變快? ↗ · 實驗程式與證據 ↗

分享這個實驗

選擇平台開啟分享頁面,或複製連結自行貼上。裝置原生分享依瀏覽器支援提供。 此連結會開新一輪,不包含目前的座位安排。

取得實驗連結