github llama.cpp · hace 2 d · inference

llama.cpp b10684 mejora la contabilidad de VRAM para SYCL --fit

Traducido del English → Español

El proyecto llama.cpp lanzó la versión b10684, que incluye una corrección específica para el backend de SYCL para que la bandera `--fit` respete `--fit-target` con mayor precisión.

El algoritmo `--fit` ahora tiene en cuenta el VRAM pico real requerido para un tamaño de contexto dado en los backends de SYCL.
Esto previene errores de falta de memoria al calcular correctamente el uso de VRAM cuando el contexto asignado está completamente utilizado.
También detiene cálculos excesivamente conservadores que anteriormente reservaban demasiado VRAM.
Las pruebas en un Arc b70 con qwen3.8 de unsloth (Q4_K_XL) demostraron un contexto utilizable de 262144 con KV y MTP en q8_0 usando `--fit-target 1`.

Este cambio permite a los usuarios utilizar contextos más grandes en hardware SYCL sin quedarse sin memoria, evitando al mismo tiempo el desperdicio de VRAM reservado debido a estimaciones conservadoras anteriores.

Importancia 1/3 Confianza 1/3 llama.cpp Inference efficiency Local inference

Leer original

llama.cpp b10721 corrige el fallo de WebGPU y añade soporte para CUDA 13.4 en Windows

El proyecto llama.cpp ha lanzado la compilación b10721, que incluye una corrección crítica para el backend de WebGPU y amplía el soporte de hardware en Windows.

github llama.cpp · hace 2 h

llama.cpp b10718 extiende la fusión MOE a specdec y multi-token

El proyecto llama.cpp lanzó la versión b10718, que incluye una actualización significativa en su backend CUDA. El cambio más notable es la extensión de la fusión Mixture of Experts (MOE) para admitir la decodificación especulativa (specdec), abordando limitaciones anteriores donde la fusión MOE glu y topk-router estaba restringida a procesar solo un token a la vez.

github llama.cpp · hace 5 h · 1 vista

llama.cpp b10715 fusiona el codificador DFlash en la inyección de caché KV

El proyecto llama.cpp lanzó la compilación b10715, que incluye una optimización clave en la implementación de DFlash. El codificador DFlash ahora se fusiona directamente en el proceso de inyección del caché KV durante la decodificación.

github llama.cpp · hace 7 h · 1 vista

llama.cpp b10714 ajusta las filas de mat-vec de Vulkan para Strix Halo

El proyecto llama.cpp lanzó la compilación b10714, que incluye optimizaciones específicas para el backend de Vulkan dirigido al hardware AMD Strix Halo. La actualización ajusta los conteos de filas de multiplicación de matriz por vector para mejorar el rendimiento durante la inferencia en lotes.

github llama.cpp · hace 13 h · 3 vistas

llama.cpp b10706 añade soporte para SWIGLU_CLAMP y shaders de Vulkan

El proyecto llama.cpp ha lanzado la compilación b10706, introduciendo nueva funcionalidad en el backend ggml. Esta actualización incluye la adición de SWIGLU_CLAMP y una nueva implementación del shader de Vulkan.