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

llama.cpp b10938 ajoute un mutex de queuesubmit Vulkan pour corriger un bug du pilote NV

Traduit de English → Français

Le projet llama.cpp a publié la version b10938, qui inclut une solution de contournement pour un bug du pilote NVIDIA affectant l'exécution de Vulkan. La mise à jour introduit un mutex autour de l'opération queuesubmit pour prévenir les problèmes de synchronisation lorsque deux files d'attente sur le même VkDevice sont soumises simultanément.

Ajoute un mutex autour de Vulkan queuesubmit pour résoudre les ruptures de synchronisation internes causées par des soumissions concurrentes de files d'attente sur du matériel NVIDIA.
Fournit des binaires pour macOS (Apple Silicon et Intel), Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Android, Windows (CPU, CUDA 12/13, Vulkan, OpenCL, OpenVINO, SYCL, ROCm) et les plateformes openEuler.

Cette version garantit des performances Vulkan stables sur les pilotes NVIDIA concernés en atténuant le défaut de synchronisation identifié.

Importance 1/3 Confiance 1/3 llama.cpp 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 3 h · 4 vues

llama.cpp b10982 ajoute le support de l'attention Flash sparse Vulkan pour DSV4/GLM

Le projet llama.cpp a publié la version b10982, qui introduit le support de l'attention Flash sparse via le backend Vulkan. Cette mise à jour cible spécifiquement les modèles DSV4 et GLM, leur permettant d'exploiter les mécanismes d'attention sparse sur du matériel GPU compatible.

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.