github llama.cpp · à l'instant · inference

llama.cpp b10727 ajoute le support de la concaténation pour les types quantifiés

Traduit de English → Français

Le projet llama.cpp a publié la version b10727, qui introduit le support de la concaténation pour les types de données quantifiés. Cette mise à jour est assistée par DeepSeek-V4-Flash-0731 et inclut des binaires pour macOS, Linux, Windows, Android et openEuler sur divers backends matériels incluant CPU, CUDA, ROCm et Vulkan.

La version fournit des binaires précompilés pour plusieurs plateformes et architectures :

macOS Apple Silicon (arm64) et Intel (x64)
iOS via XCFramework
Distributions Linux incluant Ubuntu x64, arm64, s390x et variantes avec support Vulkan, ROCm 7.14, OpenVINO et SYCL
Windows x64 et arm64 avec options CPU, OpenCL Adreno, CUDA 12/13, Vulkan, OpenVINO, SYCL et ROCm 7.14
Android arm64 (CPU)
Configurations openEuler x86 et aarch64

Cette version permet aux utilisateurs d'utiliser la nouvelle fonctionnalité de concaténation quantifiée sur une large gamme de systèmes d'exploitation pris en charge et d'accélérateurs matériels.

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

Lire l'original

llama.cpp b10726 accélère le traitement des prompts de modèles IQ en grands lots avec AVX2

Le projet llama.cpp a publié la version b10726, qui introduit des optimisations de performance significatives pour traiter de grandes tailles de lots dans les modèles quantifiés IQ. La mise à jour principale exploite les instructions AVX2 pour accélérer les quants IQ de grille via des opérations GEMM par lot.

github llama.cpp · il y a 4 h · 2 vues

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

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.

github llama.cpp · il y a 7 h · 1 vue

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 9 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 15 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.