github llama.cpp · hace 4 d · inference

llama.cpp b11047 corrige la corrupción de CUB argsort en CUDA

Traducido del English → Español

El proyecto llama.cpp lanzó la versión b11047, que incluye una corrección crítica para la corrupción de CUB argsort causada por claves in-place. El problema surgió porque `argsort_f32_i32_cuda_cub` llamó a `DeviceRadixSort::SortPairs` con búferes de claves de entrada y salida aliasados, lo que hizo que el ping-pong de doble búfer interno de CUB sobrescribiera su propia entrada durante la pasada.

Este error resultó en permutaciones corruptas e índices basura intermitentes, particularmente en GPUs Maxwell con CUDA 12.5 y CCCL 2.x, lo que posteriormente desencadenó accesos fuera de límites en operaciones `get_rows` downstream. La corrección asegura que los seis puntos de llamada (planos y segmentados, ascendente y descendente, consulta de tamaño y ejecución) utilicen búferes keys-out distintos.

El lanzamiento proporciona binarios para macOS, Linux, Android, Windows y openEuler a través de backends CPU, CUDA, ROCm, Vulkan, OpenVINO, SYCL y OpenCL.

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

Leer original

llama.cpp b11122 extiende la fusión MMVQ GLU y añade nuevas fusiones SYCL

El proyecto llama.cpp ha lanzado la versión b11122, que incluye actualizaciones significativas para el backend SYCL. El lanzamiento extiende la fusión MMVQ GLU para soportar tipos de cuantización mixtos e introduce nuevas fusiones para las operaciones rms_norm+scale y ssm_conv+silu.

github llama.cpp · hace 14 h · 11 vistas

llama.cpp b11111 añade kernels de optimización flash attention para Intel Xe

El proyecto llama.cpp lanzó la compilación b11111, que introduce kernels de optimización flash attention basados en Vulkan para rutas split k en las arquitecturas Xe-LPG Plus, Xe2 y Xe3.

github llama.cpp · hace 17 h · 9 vistas

llama.cpp añade soporte para DFlash en HunyuanOCR y corrige la conversión de borrador

El proyecto llama.cpp ha añadido soporte para la decodificación especulativa DFlash con el modelo HunyuanOCR, exponiendo los tensores de entrada de las capas en el grafo objetivo. Este cambio permite que el modelo de borrador lea los flujos residuales, lo que posibilita que las solicitudes de imagen se ejecuten correctamente con una tasa de aceptación del borrador de aproximadamente 0.5 y una salida OCR idéntica a nivel de bytes en comparación con las ejecuciones no especulativas.

github llama.cpp · hace 20 h · 11 vistas

la versión b11101 de llama.cpp permite llamadas repetidas a find_package para llama

El proyecto llama.cpp ha lanzado la versión b11101, que incluye una corrección del sistema de compilación que permite llamadas repetidas a find_package para la biblioteca llama.

lab Hugging Face Blog · hace 21 h · 10 vistas

Transformers añade soporte para GGUF mediante núcleos ggml para inferencia local

La biblioteca Transformers de Hugging Face ahora admite la carga de modelos cuantizados en formato GGUF, aprovechando los núcleos subyacentes de ggml para acercar el rendimiento al de llama.cpp. Esta integración permite a los desarrolladores ejecutar puntos de control cuantizados directamente dentro de la API estándar basada en PyTorch en hardware compatible.