github llama.cpp · ahora mismo · inference

llama.cpp b11338 añade copia DMA estrada compartida para CPY y CONCAT

Traducido del English → Español

El proyecto llama.cpp lanzó la compilación b11338, introduciendo un mecanismo de copia Direct Memory Access (DMA) estrada compartida para las operaciones CPY y CONCAT. Esta actualización permite CONCAT de cualquier dimensión a través de DMA en arquitecturas Hexagon.

Implementada copia DMA estrada compartida para operaciones CPY y CONCAT.
Habilitado CONCAT de cualquier dimensión vía DMA.
Eliminada la lógica CONCAT_DMA_MIN_ROW rota que era incompatible con DMA de 64 bits.
Añadidas llamadas dma_queue_flush() faltantes y protecciones adicionales para condiciones no soportadas.

Esta versión proporciona binarios para macOS, Linux, Windows, Android y openEuler a través de backends CPU, GPU y NPU.

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

Leer original

llama.cpp b11335 enruta sm70 a la tabla Turing MMVQ para el rendimiento de Volta

El proyecto llama.cpp lanzó la versión b11335, que incluye una optimización CUDA para GPUs Volta. La actualización dirige la arquitectura sm_70 a la tabla nwarps existente de Turing MMVQ en lugar de caer en la configuración genérica.

github llama.cpp · hace 3 h · 1 vista

llama.cpp b11333 añade soporte bfloat16 para WebGPU en operaciones MUL_MAT

El proyecto llama.cpp ha lanzado la compilación b11333, que introduce soporte bfloat16 para las operaciones MUL_MAT, MUL_MAT_ID y GET_ROWS dentro de su backend WebGPU.

github llama.cpp · hace 1 d · 5 vistas

llama.cpp b11309 optimiza ALLREDUCE de Hexagon con modo scatter seguro

El proyecto llama.cpp lanzó la versión b11309, que incluye una optimización clave para el backend de Hexagon. Esta actualización añade soporte para el modo scatter seguro a la operación ALLREDUCE, buscando mejorar el rendimiento y la estabilidad en dispositivos Qualcomm Snapdragon.

github llama.cpp · hace 2 d · 9 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 2 d · 5 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.