github llama.cpp · ahora mismo · inference

llama.cpp b10727 añade soporte de concatenación para tipos cuantizados

Traducido del English → Español

El proyecto llama.cpp ha publicado la compilación b10727, que introduce soporte de concatenación para tipos de datos cuantizados. Esta actualización está asistida por DeepSeek-V4-Flash-0731 e incluye binarios para macOS, Linux, Windows, Android y openEuler en varios backends de hardware, incluyendo CPU, CUDA, ROCm y Vulkan.

La versión proporciona binarios precompilados para múltiples plataformas y arquitecturas:

macOS Apple Silicon (arm64) e Intel (x64)
iOS a través de XCFramework
Distribuciones de Linux que incluyen Ubuntu x64, arm64, s390x y variantes con soporte Vulkan, ROCm 7.14, OpenVINO y SYCL
Windows x64 y arm64 con opciones CPU, OpenCL Adreno, CUDA 12/13, Vulkan, OpenVINO, SYCL y ROCm 7.14
Android arm64 (CPU)
Configuraciones openEuler x86 y aarch64

Esta versión permite a los usuarios utilizar la nueva funcionalidad de concatenación cuantizada en una amplia gama de sistemas operativos compatibles y aceleradores de hardware.

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

Leer original

llama.cpp b10726 acelera el procesamiento de prompts de modelos IQ en grandes lotes con AVX2

El proyecto llama.cpp lanzó la versión b10726, que introduce optimizaciones significativas de rendimiento para procesar tamaños de lote grandes en modelos cuantizados IQ. La actualización principal aprovecha las instrucciones AVX2 para acelerar los cuantizados IQ de cuadrícula a través de operaciones GEMM por lotes.

github llama.cpp · hace 4 h · 2 vistas

llama.cpp b10723 ajusta rutas de cuantización OpenCL para GPUs Intel Xe-LP

El proyecto llama.cpp lanzó la versión b10723, que incluye optimizaciones específicas para OpenCL en hardware gráfico Intel Xe-LP. La actualización se centra en mejorar el rendimiento de generación de tensores (TG) y prellenado (PP) ajustando los núcleos de cuantización.

github llama.cpp · hace 7 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 9 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 15 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.