Egy hosszabb cikk jelent meg az Android Headlines oldalon a OnePlus összeomlásáról és leállásáról. A OnePlus India egy közleményt adott ki, miszerint a szokásos ügymenet szerint működnek és ezt továbbra is folytatni fogják. A OnePlus Észak-Amerikai divíziója szintén jelezte, hogy működnek:

OnePlus North America continues to operate, with full guarantee of users’ after-sales support, software updates, and rights commitments.

I wanted to address some misinformation that has been circulating about OnePlus India and its operations. 
We’re operating as usual and will continue to do so.
Never Settle. pic.twitter.com/eAGA7iy3Xs

— Robin Liu (@RobinLiuOnePlus) January 21, 2026

A Spare Cores oldallal arra vállalkoztunk, hogy összegyűjtjük a nagyobb felhőszolgáltatók "compute" kínálatát, begyűjtünk és rendszerezünk róluk minden adatot, benchmarkokat futtatunk a gépeken, majd mindezt strukturált formában elérhetővé és összehasonlíthatóvá tesszük.

Az egyik mért adat a memóriasávszélesség, amelyre eredetileg az lmbench bw_mem programját használtuk, de a nagyobb, mélyebb memóriahierarchiával rendelkező gépek miatt úgy gondoltuk, hogy megpróbálkozunk egy saját implementációval, amely talán jobban támogatja ezeket a gépeket, illetve a mérési környezetünket.

Ennek eredménye lett az sc-membench, amely az alábbiakat tudja:

• Több platform támogatás – x86 és ARM64-on tesztelve (teljes támogatás Linuxon elérhető, de némi effort került abba is, hogy más OS-en is leforduljon :D)
• Több memória-művelet – külön-külön méri az olvasási, írási és másolási sávszélességet, valamint a memória-késleltetést
• OpenMP párhuzamosítás – multithread működés
• NUMA-támogatás – felismeri a NUMA-topológiát, és a memória/CPU kiosztást ahhoz igazítja
• Huge Pages támogatás – a késleltetés mérésénél nagyobb puffereknél jelentős lehet a TLB miss miatti veszteség, így -támogatott környezetben- ezeknél nagyobb lapokat használ a program
• Cache-érzékeny tesztméretek – a mérési méretek dinamikusan igazodnak a gépben lévő L1/L2/L3 cache-méretekhez, így jobban láthatóvá válnak a cache-határok
• Késleltetés-mérés – pointer-chasing technikával méri a késleltetést, amellyel megpróbáljuk kiküszöbölni a prefetch hatásait (valódi random access)
• Statisztikai adatok – medián és szórás a késleltetésmérésekhez
• CSV kimenet – könnyen feldolgozható, géppel olvasható formátum

Kipróbálni a README-ben leírtak szerint lehet, a legegyszerűbb módon konténerben, pld:

docker run --rm --privileged ghcr.io/sparecores/membench:main -H

A weblapon a mérési eredmények grafikus formában is megtekinthetők (jelenleg még a bw_mem mérései alapján, a gépek újbóli mérése még folyamatban van), illetve a keresőben az egyes benchmarkok pontszámaira lehet rendezni a találati listát.