github llama.cpp · à l'instant · inference

llama.cpp b10734 active l'API tensor Metal 4.0 sur M5+/A19+

Traduit de English → Français

Le projet llama.cpp a publié la version b10734, qui inclut une mise à jour pour activer l'API tensor Metal 4.0 pour les appareils équipés de puces M5+ ou A19+.

Demande la version du langage Metal 4.0 pour l'API tensor.
Charge les noyaux de l'API tensor depuis une metallib séparée.
Corrige l'ordre de compilation de la metallib pour les noyaux de l'API tensor.
Ajoute un test de régression de l'API tensor avec external-metallib.

Cette version fournit des binaires pour macOS, iOS, Linux, Windows, Android et openEuler via divers backends matériels incluant CPU, CUDA, ROCm, Vulkan, OpenVINO, SYCL et OpenCL.

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

Lire l'original

ExLlamaV3 ajoute le déchargement vers le CPU pour les experts MoE et les nouveaux modèles GLM-5.3-Flash, Qwen3.8-Flash

Turboderp a publié des mises à jour significatives pour ExLlamaV3, introduisant des capacités de déchargement vers le CPU pour les experts de Mixture of Experts (MoE). La mise à jour inclut également la prise en charge des nouveaux modèles GLM-5.3-Flash et Qwen3.8-Flash.

github llama.cpp · il y a 18 h · 2 vues

llama.cpp b10724 optimise la restauration de l'état kv-cache pour réduire le nombre de copies de 1,3M à 224

Le projet llama.cpp a publié la compilation b10724, qui améliore considérablement les performances de restauration des cellules KV cache non contiguës en regroupant les lectures scatter par exécution continue.

github llama.cpp · il y a 20 h · 3 vues

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 22 h · 9 vues

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 1 j · 4 vues

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.