github llama.cpp · hace 3 d · inference

llama.cpp b11224 corrige resultados incorrectos de mul_mat en Vulkan con vistas de caché KV estraidas

Traducido del English → Español

La versión llama.cpp b11224 aborda los resultados de cálculo incorrectos en el backend de Vulkan cuando las operaciones de multiplicación de matrices leen fragmentos de tensores más grandes y estraidos, como los cachés KV.

El paso del lote para los tensores src0 y src1 in situ ahora se deriva correctamente de nb[2] en lugar de ne00*ne01, asegurando el acceso correcto a las filas en todas las cabezas.
Los rangos A y B in situ se dimensionan por su extensión estraida usando ggml_nbytes o ggml_vk_subbuffer para evitar leer datos borrados o colgarse en hardware NVIDIA sin coopmat2.
Las rutas mul_mat_id y mul_mm se actualizan para manejar correctamente las vistas de expertos estraidas y los mosaicos parciales, evitando bloqueos en operaciones NVFP4.

Esta corrección garantiza resultados de inferencia precisos para mecanismos de autoatención del decodificador que dependen de diseños de memoria estraidos en el backend de Vulkan.

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.