github llama.cpp · à l'instant · inference

llama.cpp b10905 ajuste Flash Attention pour AMD RDNA4 et révisé la logique de stream-k

Traduit de English → Français

Le projet llama.cpp a publié la compilation b10905, qui inclut un ajustement spécifique de Flash Attention pour CUDA/HIP sur l'architecture gfx1201. Cette mise à jour se concentre sur l'optimisation des performances pour les GPU AMD RDNA4.

HIP : Active Flash Attention accéléré par multiplication matricielle (mma) pour une taille de tête de 256 sur RDNA4 et ajuste les configurations associées.
HIP : Privilégie les grilles de Flash Attention en tuile complète plutôt que stream-k sur les architectures AMD WMMA.
La logique de stream_k a été révisée pour améliorer le flux d'exécution.
La logique de sélection de noyau a été révisée pour une meilleure ciblage matériel.

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

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

Lire l'original

llama.cpp b10888 ajoute des étiquettes de débogage de tampon de commandes pour les profileurs GPU

Le projet llama.cpp a publié la compilation b10888, qui inclut une nouvelle fonctionnalité pour ajouter des étiquettes de débogage de tampon de commandes pour les profileurs GPU dans le backend Vulkan.

github llama.cpp · il y a 1 j · 1 vue

llama.cpp b10886 ajoute le support des intrinsèques vectoriels Q1_0 pour s390x

Le projet llama.cpp a publié la construction b10886, qui introduit le support des intrinsèques vectoriels Q1_0 pour l'architecture s390x. Cette mise à jour inclut l'implémentation de `ggml_vec_dot_q1_0_q8_0` et met à jour la documentation pour refléter la nouvelle capacité.

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

llama.cpp b10883 corrige la multiplication matricielle Vulkan et restaure les optimisations Ampere

Le projet llama.cpp a publié la compilation b10883, qui inclut des mises à jour significatives du backend Vulkan. Le changement principal consiste à utiliser des constantes de spécification pour les opérations de multiplication matrice-matrice de type A afin d'améliorer la compilation et les performances des shaders.

github llama.cpp · il y a 2 j · 5 vues

llama.cpp b10870 ajoute les pipelines de multiplication matricielle f16 type B et le réglage de la taille du tile warp pour Intel coopmat1

Le projet llama.cpp a publié la version b10870, introduisant le support Vulkan pour les pipelines de multiplication matricielle f16 type B et le réglage de la taille du tile warp spécifiquement pour le matériel Intel coopmat1.

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

llama.cpp b10871 ajoute un shader mat-vec iq4_xs dédié pour Vulkan

Le projet llama.cpp a publié la compilation b10871, introduisant un shader mul_mat_vec_iq4_xs dédié pour le chemin dmmv dans Vulkan. Ce changement remplace l'implémentation de repli générique précédente pour améliorer les performances sur le matériel RDNA4.