7-Zip-Kompressionsgeschwindigkeit um 97 Prozent gesteigert, ohne den Kerncode zu ändern: Ein "Amateur" und das extreme Optimierungsexperiment mit künstlicher Intelligenz

Yusheng Science, ein KI-Inkubator, hat mit einem Mitarbeiter ohne Programmierhintergrund eine Optimierung von 7-Zip abgeschlossen. Die Idee war, die Kompressionseffizienz durch einen "inhaltsbewussten Router" zu verbessern, der dynamisch Kodierungsstrategien basierend auf dem Dateityp auswählt, anstatt eine einheitliche Strategie für alle Dateien zu verwenden. Die Optimierung umfasste einen mehrstufigen Erkennungsmechanismus (Dateikopf-Erkennung, Stichproben-Kompressionstests und Mehrpunkt-Stichproben für vermutlich komprimierte Medien), eine zehnstufige Routing-Strategie und Sicherheitsmaßnahmen (Stichprobenvergleiche, Toleranzschwellen und Gruppenisolierung). Die Ergebnisse zeigten eine 97,0%ige Steigerung der Kompressionsgeschwindigkeit für Multi-Datei-Archive auf macOS, 93,4% für Prosatext, über 80% typischerweise unter Windows und eine 40,4%ige Größenreduzierung für Logs, mit 100%iger Integritätsverifizierung. Allerdings stieg die Dekompressionszeit für Text- und Logdateien um das 2- bis 3-fache, und sehr große, unkomprimierbare Dateien über 5 GB können aufgrund von Fehleinschätzungen langsamer komprimiert werden. Die Optimierung ist null-invasiv: Kein Kernalgorithmus-Code wurde geändert, nur die Verteilungsebene, und die Ausgabe bleibt im Standard-.7z-Format, das von der offiziellen 7-Zip-Version dekodiert werden kann. Die optimierte Version ist auf GitHub quelloffen (https://github.com/sunmmer01/Optimization). Yusheng Science erklärt, dass diese Praxis ein neues Kollaborationsmodell demonstriert, bei dem KI menschliche Einsicht verstärkt, nicht Ingenieure ersetzt.