github llama.cpp · il y a 4 j · inference

llama.cpp b11047 corrrompt la corruption de CUB argsort sur CUDA

Traduit de English → Français

Le projet llama.cpp a publié la version b11047, qui inclut une correction critique pour la corruption de CUB argsort causée par des clés in-place. Le problème est apparu parce que `argsort_f32_i32_cuda_cub` a appelé `DeviceRadixSort::SortPairs` avec des tampons de clés d'entrée et de sortie aliasés, ce qui a fait que le ping-pong double-buffer interne de CUB écrasait sa propre entrée pendant le passage.

Ce bug a résulté en des permutations corrompues et des indices garbage intermittents, particulièrement sur les GPU Maxwell avec CUDA 12.5 et CCCL 2.x, ce qui a ensuite déclenché des gathers hors limites dans les opérations `get_rows` en aval. La correction assure que tous les six points d'appel (plain et segmenté, ascendant et descendant, size-query et execute) utilisent des tampons keys-out distincts.

La release fournit des binaires pour macOS, Linux, Android, Windows et openEuler via les backends 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 b11122 étend la fusion MMVQ GLU et ajoute de nouvelles fusions SYCL

Le projet llama.cpp a publié la version b11122, qui comprend des mises à jour significatives pour le backend SYCL. La release étend la fusion MMVQ GLU pour prendre en charge les types de quantification mixtes et introduit de nouvelles fusions pour les opérations rms_norm+scale et ssm_conv+silu.

github llama.cpp · il y a 14 h · 11 vues

llama.cpp b11111 ajoute des noyaux d'optimisation flash attention pour Intel Xe

Le projet llama.cpp a publié la compilation b11111, qui introduit des noyaux d'optimisation flash attention basés sur Vulkan pour les chemins split k sur les architectures Xe-LPG Plus, Xe2 et Xe3.

github llama.cpp · il y a 17 h · 9 vues

llama.cpp ajoute le support de DFlash pour HunyuanOCR et corrige la conversion des brouillons

Le projet llama.cpp a ajouté le support du décodage spéculatif DFlash avec le modèle HunyuanOCR en exposant les tenseurs d'entrée des couches dans le graphe cible. Ce changement permet au modèle de brouillon de lire les flux résiduels, permettant aux requêtes d'image de s'exécuter avec succès avec un taux d'acceptation du brouillon d'environ 0,5 et une sortie OCR identique en octets par rapport aux exécutions non spéculatives.

github llama.cpp · il y a 20 h · 11 vues

la version b11101 de llama.cpp permet des appels répétés à find_package pour llama

Le projet llama.cpp a publié la version b11101, qui inclut une correction du système de compilation permettant des appels répétés à find_package pour la bibliothèque llama.

lab Hugging Face Blog · il y a 21 h · 10 vues

Transformers ajoute le support GGUF via les noyaux ggml pour l'inférence locale

La bibliothèque Transformers de Hugging Face prend désormais en charge le chargement de modèles quantifiés GGUF, en s'appuyant sur les noyaux ggml sous-jacents pour offrir des performances proches de celles de llama.cpp. Cette intégration permet aux développeurs d'exécuter des points de contrôle quantifiés directement au sein de l'API standard basée sur PyTorch sur le matériel pris en charge.