github llama.cpp · hace 1 d · inference

llama.cpp b10690 corrige el bloqueo del K cache durante el cambio de contexto

Traducido del English → Español

El proyecto llama.cpp ha lanzado la versión b10690, que incluye una corrección crítica para los cachés de clave-valor sin cuantizar. La actualización previene bloqueos que ocurrían durante los cambios de contexto al asegurar que la matriz de Hadamard se copie en el tensor k_rot solo cuando tiene un búfer asignado.

Corrige el bloqueo en el K cache no cuantizado durante el cambio de contexto copiando condicionalmente la matriz de Hadamard
Proporciona binarios para macOS (Apple Silicon e Intel), iOS, Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android y openEuler
Incluye actualizaciones de la interfaz de usuario y atestaciones para el lanzamiento

Importancia 1/3 Confianza 1/3 llama.cpp Hugging Face Inference efficiency

Leer original

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 4 h · 3 vistas

La versión b10717 de llama.cpp mejora la recuperación de información de memoria SYCL

El proyecto llama.cpp ha lanzado la versión b10717, que incluye una mejora específica para el backend SYCL en GPUs Intel. Esta actualización mejora la capacidad de recuperar información sobre la memoria libre aprovechando la API L0 SYCL.

github llama.cpp · hace 10 h · 3 vistas

llama.cpp b10712 añade selección radix top-k de Vulkan para Qwen 3.8 Flash Next

El proyecto llama.cpp lanzó la compilación b10712, introduciendo un nuevo shader de ordenamiento radix top-k diseñado para Vulkan para admitir valores k mayores o iguales a 1024. Esta actualización se dirige específicamente al modelo Qwen 3.8 Flash Next e incluye pruebas correspondientes así como fusión top-k qsa.

github llama.cpp · hace 17 h · 6 vistas

llama.cpp b10705 mejora el manejo de TENSOR_READ_LAZY

El proyecto llama.cpp ha lanzado la versión b10705, que incluye una mejora en el mecanismo de manejo de TENSOR_READ_LAZY. Esta actualización fuerza los tensores perezosos en la CPU cuando está habilitada la configuración perezosa.

github llama.cpp · hace 18 h · 4 vistas

llama.cpp b10702 optimiza el producto punto Q2_0 para AMD gfx1201

El proyecto llama.cpp lanzó la versión b10702, que incluye una optimización específica para la ruta del producto punto de cuantización Q2_0 en la arquitectura gfx1201 de AMD. Esta actualización amplía la implementación de HIP para usar instrucciones nativas de permutación amdgcn, mejorando el rendimiento para esta configuración de hardware específica.