Boost de 97 % de la vitesse de compression de 7-Zip sans toucher au code principal : une expérience d'optimisation extrême entre un « amateur » et l'IA

Yusheng Science, un incubateur d'IA, a réalisé une optimisation de 7-Zip avec un employé sans formation en programmation. L'idée était d'améliorer l'efficacité de compression en utilisant un « routeur sensible au contenu » qui sélectionne dynamiquement les stratégies de codage en fonction du type de fichier, au lieu d'utiliser une stratégie uniforme pour tous les fichiers. L'optimisation impliquait un mécanisme de détection à plusieurs niveaux (reconnaissance d'en-tête de fichier, test de compression d'échantillon, et échantillonnage multi-points pour les médias compressés suspects), une stratégie de routage à dix niveaux, et des mesures de sécurité (comparaisons d'échantillons, seuils de tolérance, et isolation par groupes). Les résultats ont montré une augmentation de la vitesse de compression de 97,0 % pour les archives multi-fichiers sur macOS, de 93,4 % pour les textes en prose, de plus de 80 % en moyenne sur Windows, et une réduction de la taille de 40,4 % pour les journaux, avec une vérification d'intégrité à 100 %. Cependant, le temps de décompression pour les fichiers texte et les journaux a augmenté de 2 à 3 fois, et les très grands fichiers incompressibles de plus de 5 Go peuvent subir une compression plus lente en raison de mauvais jugements. L'optimisation est non invasive : aucun code algorithmique de base n'a été modifié, seule la couche de répartition a été changée, et la sortie reste au format .7z standard, décodable par le 7-Zip officiel. La version optimisée est open source sur GitHub (https://github.com/sunmmer01/Optimization). Yusheng Science déclare que cette pratique démontre un nouveau modèle de collaboration où l'IA amplifie l'intelligence humaine, sans remplacer les ingénieurs.