اگر دیتابیس‌های شما با حجم داده‌های عظیم دست‌و‌پنجه نرم می‌کنند، احتمالاً می‌دانید که گلوگاه اصلی شما پردازش نیست، بلکه سرعت جابه‌جایی داده‌هاست. رانتایم l این معادله را تغییر داده و با حذف مرحله رمزگشایی، سرعت پردازش را تا ۳.۵۷ برابر افزایش داده است.
در سخت‌افزارهای مدرن، پهنای باند حافظه بسیار زودتر از توان پردازشی سی‌پی‌یو تمام می‌شود. طبق گزارش lv1.sh، رانتایم l با این استراتژی عمل می‌کند که داده‌ها در تمام مراحل — از زمان ذخیره‌سازی تا انتقال در حافظه — فشرده باقی بمانند. این یعنی رانتایم به جای اینکه داده را «باز کند و سپس بخواند»، مستقیماً روی همان فرمت فشرده فکر و عمل می‌کند؛ درست مثل کسی که یاد گرفته باشد متن‌های رمزنگاری‌شده را بدون باز کردن رمز، سریع بخواند و بفهمد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی لایه‌های حافظه اشاره کردیم، کاهش جابه‌جایی بایت‌ها کلید دسترسی به سخت‌افزارهای مدرن است. این رویکرد یادآور تلاش‌های اخیر برای بهینه‌سازی مصرف منابع در مدل‌های زبانی است، مشابه آن‌چه در اجرای مدل Gemma 4 گوگل با حافظه محدود مشاهده شد تا کارایی در سخت‌افزارهای ضعیف‌تر افزایش یابد. بر اساس مستندات منتشرشده در ۷ ژوئیه ۲۰۲۶، مشخصات فنی این موتور عبارت است از:
- پشتیبانی بومی: سازگاری کامل با سینتکس k4، q و qSQL بدون نیاز به بازنویسی کدها.
- شتاب‌دهنده سخت‌افزاری: پشتیبانی شفاف از SIMD برای تراشه‌های اپل (NEON) و پردازنده‌های x86 (AVX-512) و همچنین انتقال پردازش به GPU و NPU.
- شاخص‌های عملکرد: افزایش ۳.۱۶ برابری سرعت کل کوئری‌ها در db-benchmark و میانگین ۳.۰۸ برابری سرعت برای هر کوئری.
یکی از ویژگی‌های کلیدی این رانتایم، موازی‌سازی خودکار است. به نقل از توسعه‌دهندگان، وقتی کاربر یک عبارت ساده مثل sum x را می‌نویسد، l به‌طور خودکار بهینه‌ترین مسیر را انتخاب می‌کند؛ از عملیات تک‌مقداری (scalar) گرفته تا کاهش SIMD برای بردارهای کوچک یا توزیع رشته‌ای (threaded fan-out) برای مجموعه‌داده‌های بزرگ‌تر.
برای توسعه‌دهندگان، این یعنی کوئری‌های qSQL اکنون روی ستون‌های فشرده اجرا می‌شوند بدون اینکه نیازی به یک مرحله رمزگشایی یا استنتاج (Inference) — که شبیه لحظه آشپزی واقعی است نه دوره آموزش آشپز — باشد. این موضوع در تست روی ۸۶.۵ میلیون ردیف ثابت شد و عملاً ظرفیت حافظه کش (Cache) را با یکسان‌سازی بایت‌ها در تمام لایه‌ها افزایش داد. این استراتژی مدیریت بهینه حافظه، شباهت‌های ساختاری با روش‌های کاهش حجم KV Cache دارد که هدف هر دو، به حداقل رساندن سربار انتقال داده در لایه‌های میانی است.
این رویکرد فرض قدیمی را که «رمزگشایی پیش‌نیاز محاسبات است» می‌زد و منطق را به جای داده، به سمت داده‌ها برد تا گلوگاه‌های حیاتی در سیستم‌های رایانش سطح بالا (HPC) برطرف شود.
گام بعدی شما
- اگر از زبان q یا k4 استفاده می‌کنید، مستندات l را برای جایگزینی رانتایم فعلی بررسی کنید.
- عضو گروه ایمیلی ناشناس پروژه شوید تا لاگ‌های انتشار و سوالات طراحی را دنبال کنید.
- اثر این مدل پردازش روی بارهای کاری توالی-زمانی (time-series) در مقیاس توزیع‌شده را زیر نظر بگیرید.
اما چالش‌های مدیریت حافظه در مقیاس‌های میلیاردی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی حافظه‌های HBM مراجعه کنید.
گفتگو