github llama.cpp · hace 5 d · inference

llama.cpp b11195 añade mul_mat en mosaico para k-quants con una aceleración de 3-6x

Traducido del English → Español

El proyecto llama.cpp lanzó la versión b11195, introduciendo una implementación de multiplicación de matrices en mosaico para k-quants en el backend de CPU. Este cambio desempaqueta los datos cuantizados en mosaicos int8 de 256x256 y calcula los resultados utilizando microkernels para mejorar el rendimiento en operaciones de matrices grandes.

mul_mat en mosaico proporciona una mejora de velocidad de 3-6x para multiplicaciones de matrices grandes, con un punto de equilibrio en dimensiones de 4096x64 * 64x4096.
Las tasas de error permanecen triviales, con errores máximos alrededor de 1-e04 y RMSE alrededor de 1-e05.
La actualización incluye correcciones para compilaciones de ARM y Windows, soporte unificado de IQP para los benchmarks Q5_K e IQ4_XS, y kernels AVX2 optimizados.

La actualización mejora la velocidad de inferencia para operaciones de matrices grandes mientras mantiene la precisión numérica en las plataformas compatibles.

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

Leer original

llama.cpp añade soporte para GLM-5.3-Flash con correcciones de k-pool y MTP

El proyecto llama.cpp ha añadido soporte inicial para la arquitectura del modelo GLM-5.3-Flash (GLM5-Next), incluyendo la migración a memoria de índice híbrido y capacidades tempranas de Multi-Token Prediction (MTP).

github llama.cpp · hace 20 h · 2 vistas

llama.cpp b11266 carga la matriz A de F32 2 a la vez para Vulkan en Intel

El proyecto llama.cpp lanzó la compilación b11266, que incluye una optimización de Vulkan que carga las matrices A de F32 dos elementos a la vez cuando están alineadas en 2. Este cambio aborda problemas de rendimiento en hardware de Intel donde cargar flotantes uno por uno es ineficiente, y también corrige una validación faltante para la alineación de `a_offset` en el parche original.

github llama.cpp · hace 22 h · 1 vista

llama.cpp b11265 corrige la selección de tiles de matmul MOE en Vulkan

La versión llama.cpp b11265 incluye una corrección para el manejo de modelos Mixture of Experts (MoE) por parte del backend de Vulkan. La actualización corrige cómo `mat_mul_id` selecciona los tiles de multiplicación de matrices, abordando un problema de rendimiento donde los trabajadores quedaban inactivos durante el envío.

github llama.cpp · hace 2 d · 4 vistas

llama.cpp b11238 añade ggml_pad_ext para relleno a la izquierda y omite los taps de DFlash2

El proyecto llama.cpp lanzó la compilación b11238, introduciendo una implementación unificada de relleno a la izquierda mediante la nueva función `ggml_pad_ext`. Este cambio consolida los métodos anteriores utilizados por codificadores de audio como Parakeet, LFM2-Audio, Granite Speech y Gemma 4, asegurando incrustaciones bit a bit idénticas para Gemma 4 mientras simplifica el soporte del backend.

github llama.cpp · hace 2 d · 5 vistas

llama.cpp b11232 habilita flash attention en mosaico en x86

El proyecto llama.cpp lanzó la compilación b11232, que incluye actualizaciones al backend ggml-cpu. El lanzamiento se centra en habilitar flash attention en mosaico para dimensiones de cabeza no múltiplo del vector en arquitecturas x86.