github llama.cpp · il y a 2 j · inference

llama.cpp b10684 améliore la comptabilité VRAM de --fit pour SYCL

Traduit de English → Français

Le projet llama.cpp a publié la version b10684, qui inclut une correction spécifique pour le backend SYCL afin que l'indicateur `--fit` respecte plus précisément `--fit-target`.

L'algorithme `--fit` prend désormais en compte le VRAM de pic réel requis pour une taille de contexte donnée sur les backends SYCL.
Cela empêche les erreurs de manque de mémoire en calculant correctement l'utilisation du VRAM lorsque le contexte alloué est entièrement utilisé.
Il arrête également les calculs excessivement conservateurs qui réservaient auparavant trop de VRAM.
Les tests sur un Arc b70 avec qwen3.8 d'unsloth (Q4_K_XL) ont démontré un contexte utilisable de 262144 avec KV et MTP en q8_0 utilisant `--fit-target 1`.

Ce changement permet aux utilisateurs d'utiliser des contextes plus grands sur du matériel SYCL sans manquer de mémoire, tout en évitant le gaspillage de VRAM réservé dû aux estimations conservatrices précédentes.

Importance 1/3 Confiance 1/3 llama.cpp Inference efficiency Local inference

Lire l'original

llama.cpp b10721 corrige le plantage de WebGPU et ajoute le support de CUDA 13.4 sur Windows

Le projet llama.cpp a publié la compilation b10721, qui inclut une correction critique pour le backend WebGPU et étend la prise en charge du matériel sous Windows.

github llama.cpp · il y a 2 h

llama.cpp b10718 étend la fusion MOE à specdec et multi-token

Le projet llama.cpp a publié la version b10718, qui comprend une mise à jour significative de son backend CUDA. Le changement le plus notable est l'extension de la fusion Mixture of Experts (MOE) pour prendre en charge le décodage spéculatif (specdec), répondant aux limitations précédentes où la fusion MOE glu et topk-router était restreinte au traitement d'un seul token à la fois.

github llama.cpp · il y a 5 h · 1 vue

llama.cpp b10715 fusionne le codeur DFlash dans l'injection de cache KV

Le projet llama.cpp a publié la compilation b10715, qui inclut une optimisation clé de l'implémentation de DFlash. Le codeur DFlash est désormais fusionné directement dans le processus d'injection du cache KV lors du décodage.

github llama.cpp · il y a 6 h · 1 vue

llama.cpp b10714 ajuste les lignes mat-vec Vulkan pour Strix Halo

Le projet llama.cpp a publié la compilation b10714, qui inclut des optimisations spécifiques pour le backend Vulkan ciblant le matériel AMD Strix Halo. La mise à jour ajuste les compteurs de lignes de multiplication matrice-vecteur pour améliorer les performances lors de l'inférence par lots.

github llama.cpp · il y a 12 h · 3 vues

llama.cpp b10706 ajoute le support de SWIGLU_CLAMP et des shaders Vulkan

Le projet llama.cpp a publié la compilation b10706, introduisant de nouvelles fonctionnalités dans le backend ggml. Cette mise à jour inclut l'ajout de SWIGLU_CLAMP et une nouvelle implémentation du shader Vulkan.