github llama.cpp · ahora mismo · inference

llama.cpp b10724 optimiza la restauración del estado de kv-cache para reducir las copias de 1.3M a 224

Traducido del English → Español

El proyecto llama.cpp lanzó la compilación b10724, que mejora significativamente el rendimiento de la restauración de celdas KV cache no contiguas mediante lecturas scatter agrupadas por ejecución continua.

Restauración del estado optimizada para buffers circulares fragmentados precalculando los índices consecutivos de destino y utilizando copias únicas en lugar de copias individuales de celdas.
Se corrigió un fallo de aserción en el lector del dispositivo cuando las cuentas de tensores de guardado y restauración coincidían pero el chunking difería, recurriendo a una copia con cursor de bytes.
Se añadieron pruebas en el host y en el dispositivo que verifican la restauración del estado idéntica byte a byte para celdas de secuencia entrelazada.

Esta optimización reduce el número de copias de memoria requeridas para restauraciones grandes de más de 1.3 millones a solo 224, reduciendo el tiempo de restauración de decenas de segundos a menos de medio segundo.

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 4 h · 1 vista

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 7 h · 3 vistas

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 8 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 14 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.