github llama.cpp · hace 1 d · inference

llama.cpp b10692 divide filas largas en el kernel SYCL de TOP_K

Traducido del English → Español

El proyecto llama.cpp ha lanzado la compilación b10692, que incluye una modificación a la implementación de SYCL para la operación TOP_K. El cambio implica dividir las filas largas dentro del kernel en lugar de asignar un grupo de trabajo por fila.

Esta actualización está disponible en múltiples plataformas y backends de hardware, incluyendo macOS (Apple Silicon e Intel), Linux (CPU, Vulkan, ROCm 7.14, OpenVINO y SYCL FP32/FP16), Windows (CPU, CUDA 12/13, Vulkan, OpenVINO, SYCL y ROCm 7.14), Android e iOS.

El lanzamiento proporciona binarios para varias arquitecturas como x64, arm64 y s390x, junto con un paquete de interfaz de usuario actualizado.

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.