github llama.cpp · à l'instant · inference

llama.cpp b10723 ajuste les chemins de quantification OpenCL pour les GPU Intel Xe-LP

Traduit de English → Français

Le projet llama.cpp a publié la version b10723, qui inclut des optimisations spécifiques pour OpenCL sur le matériel graphique Intel Xe-LP. La mise à jour se concentre sur l'amélioration des performances de génération de tenseurs (TG) et de pré-remplissage (PP) en ajustant les noyaux de quantification.

Les opérations mul_mv Q4_K et Q5_K ont été ajustées pour augmenter les valeurs N_DST, permettant une réutilisation 2x des activations sur les appareils Intel.
Des configurations de tuiles 8x8 ont été implémentées pour les opérations mul_mm Q4_K et Q5_K spécifiquement pour les architectures Intel.
La valeur N_DST a été augmentée de 8 à 16 pour mul_mv Q4_K afin d'optimiser davantage la gestion des données.

Cette version fournit des binaires mis à jour pour macOS, Linux, Windows, Android et iOS sur divers backends incluant CUDA, Vulkan, ROCm et SYCL.

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 5 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 11 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 18 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 19 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.