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

llama.cpp b10937 applique la règle d'alignement des lignes sans mélange aux formats q4_K, q5_K et q8_0

Traduit de English → Français

Le projet llama.cpp a publié la version b10937, qui étend la règle d'alignement des lignes OpenCL sans mélange aux formats de quantification q4_K, q5_K et q8_0. Auparavant, cette règle d'alignement était appliquée uniquement au format q6_K.

Le changement prend en charge la compatibilité OpenCL pour certains types de quantification.
Des binaires sont fournis pour macOS (Apple Silicon et Intel), Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Android, Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm) et openEuler.
Un XCFramework iOS et une version de l'interface utilisateur sont également inclus dans cette publication.

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

Lire l'original

llama.cpp b10984 ajoute le support CUDA pour SUM_ROWS contigu par ligne

Le projet llama.cpp a publié la version b10984, introduisant le support CUDA pour les opérations SUM_ROWS contiguës par ligne. Cette mise à jour organise également le code pour inclure GGML_OP_MEAN afin de gérer les tenseurs contigus par ligne via un noyau partagé.

github llama.cpp · il y a 2 h · 1 vue

llama.cpp b10985 restreint le cache hash RPC aux poids

Le projet llama.cpp a publié la version b10985, qui modifie le backend RPC pour limiter le stockage en cache basé sur le hachage exclusivement aux tenseurs de poids. Cette modification résout un problème où les données d'activation étaient inutilement hashées et stockées, entraînant une utilisation excessive du disque.

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

llama.cpp b10981 corrige le décodage d'état pour Gemma-4 et optimise l'inférence GPU MoE

La version b10981 de llama.cpp résout des problèmes critiques de correction dans le chemin de décodage d'état du backend OpenVINO, en corrigeant spécifiquement la prise en charge des modèles comme Gemma-4 qui utilisent des tailles de tête par couche. Elle introduit également des optimisations pour l'inférence GPU Mixture of Experts (MoE) et améliore les performances grâce à des réorganisations d'état KV.

github llama.cpp · il y a 5 h · 1 vue

llama.cpp ajoute des noyaux Metal FA pour HSK=96, HSV=64 de MiniCPM3

Le projet llama.cpp a ajouté la prise en charge du noyau Flash Attention (FA) pour la configuration spécifique utilisée par MiniCPM3 sur Apple Silicon. Cette modification corrige un plantage où le drapeau `-fa auto` s'arrêtait en raison d'une instanciation de noyau manquante pour la longueur de clé d'attention 96 et la longueur de valeur 64.

github llama.cpp · il y a 19 h · 3 vues

La version b10970 de llama.cpp utilise l'accumulation fp32 sur les appareils MFMA

Le projet llama.cpp a publié la version b10970, qui inclut une mise à jour technique du backend fattn-mma. Ce changement implémente l'utilisation d'accumulateurs fp32 spécifiquement pour les dispositifs de l'architecture CDNA.