github llama.cpp · hace 22 h · inference

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

Traducido del English → Español

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.

Anteriormente, la selección de tiles dependía del conteo total de tokens, lo cual era incorrecto para las cuadrículas de envío de MoE donde el N real por grupo de trabajo son filas por experto.
En modelos como Sarvam 30B con pp128, este error causaba que el selector eligiera tiles para aproximadamente 6 filas activas en lugar de 128.
La corrección asegura que todos los trabajadores en un grupo tengan trabajo que hacer, eliminando el tiempo desperdiciado que anteriormente representaba el 55% de la duración del trabajo.

Este cambio mejora la eficiencia de inferencia para modelos MoE en Vulkan al garantizar una distribución adecuada de la carga de trabajo entre los trabajadores de la GPU.

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

Artículos relacionados

github llama.cpp · hace 11 h · 2 vistas

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 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.

github llama.cpp · hace 2 d · 3 vistas

llama.cpp b11228 añade soporte para relleno izquierdo y circular en GGML_OP_PAD de Metal

La versión llama.cpp b11228 introduce soporte para relleno izquierdo y circular en la operación GGML_OP_PAD del backend de Metal, alineándola con las implementaciones de CPU, CUDA y Vulkan. Este cambio soluciona problemas de relleno derecho en fuentes permutadas y asegura un comportamiento consistente entre diferentes backends de hardware.