github llama.cpp · il y a 1 j · inference

llama.cpp b10690 corrige le plantage du cache K lors du changement de contexte

Traduit de English → Français

Le projet llama.cpp a publié la version b10690, qui inclut une correction critique pour les caches clé-valeur non quantifiés. La mise à jour empêche les plantages survenant lors des changements de contexte en s'assurant que la matrice de Hadamard est copiée dans le tenseur k_rot uniquement lorsqu'elle dispose d'un tampon assigné.

Corrige le plantage du cache K non quantifié lors du changement de contexte en copiant conditionnellement la matrice de Hadamard
Fournit des binaires pour macOS (Apple Silicon et Intel), iOS, Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android et openEuler
Inclut des mises à jour de l'interface utilisateur et des attestations pour la version

Importance 1/3 Confiance 1/3 llama.cpp Hugging Face Inference efficiency

Lire l'original

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 4 h · 3 vues

La version b10717 de llama.cpp améliore la récupération des informations mémoire SYCL

Le projet llama.cpp a publié la version b10717, qui inclut une amélioration spécifique pour le backend SYCL sur les GPU Intel. Cette mise à jour améliore la capacité de récupérer des informations sur la mémoire libre en exploitant l'API L0 SYCL.

github llama.cpp · il y a 10 h · 3 vues

llama.cpp b10712 ajoute la sélection radix top-k Vulkan pour Qwen 3.8 Flash Next

Le projet llama.cpp a publié la compilation b10712, introduisant un nouveau shader de tri radix top-k conçu pour Vulkan afin de prendre en charge des valeurs k supérieures ou égales à 1024. Cette mise à jour cible spécifiquement le modèle Qwen 3.8 Flash Next et inclut des tests correspondants ainsi que la fusion top-k qsa.

github llama.cpp · il y a 17 h · 6 vues

llama.cpp b10705 améliore la gestion de TENSOR_READ_LAZY

Le projet llama.cpp a publié la version b10705, qui inclut une amélioration du mécanisme de gestion de TENSOR_READ_LAZY. Cette mise à jour force les tenseurs paresseux sur le CPU lorsque le paramètre paresseux est activé.

github llama.cpp · il y a 18 h · 4 vues

llama.cpp b10702 optimise le produit scalaire Q2_0 pour AMD gfx1201

Le projet llama.cpp a publié la version b10702, qui inclut une optimisation spécifique pour le chemin du produit scalaire de quantification Q2_0 sur l'architecture gfx1201 d'AMD. Cette mise à jour étend l'implémentation de HIP pour utiliser des instructions natives de permutation amdgcn, améliorant les performances pour cette configuration matérielle spécifique.