7-Zip compressiesnelheid met 97% verhoogd zonder de kerncode te raken: een ‘amateur’ en AI’s extreme optimalisatie-experiment

Yusheng Science, een AI-incubator, heeft met een medewerker zonder programmeerachtergrond een optimalisatie van 7-Zip voltooid. Het idee was om de compressie-efficiëntie te verbeteren door een "contentbewuste router" te gebruiken die dynamisch coderingsstrategieën selecteert op basis van het bestandstype, in plaats van een uniforme strategie voor alle bestanden toe te passen. De optimalisatie omvatte een mechanisme voor detectie op meerdere niveaus (herkenning van bestandskoppen, compressietesten op monsters en steekproeven op meerdere punten voor vermoedelijk gecomprimeerde media), een routeringsstrategie met tien niveaus en veiligheidsmaatregelen (vergelijking van monsters, tolerantiedrempels en groepsisolatie). De resultaten toonden een toename van 97,0% in compressiesnelheid voor archieven met meerdere bestanden op macOS, 93,4% voor prozateksten, meer dan 80% typisch op Windows, en een afname van 40,4% in grootte voor logbestanden, met 100% integriteitsverificatie. De decompressietijd voor tekst- en logbestanden nam echter 2 tot 3 keer toe, en zeer grote niet-compressibele bestanden van meer dan 5 GB kunnen langzamer comprimeren door verkeerde inschattingen. De optimalisatie is nul-invasief: er is geen kernalgoritmecode gewijzigd, alleen de distributielaag, en de uitvoer blijft standaard .7z-formaat, decodeerbaar door de officiële 7-Zip. De geoptimaliseerde versie is open source beschikbaar op GitHub (https://github.com/sunmmer01/Optimization). Yusheng Science stelt dat deze praktijk een nieuw samenwerkingsmodel demonstreert waarbij AI menselijk inzicht versterkt, in plaats van ingenieurs te vervangen.