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

llama.cpp b11070 réorganise la gestion des tampons Hexagon et du DMA pour les mappages 64 bits

Traduit de English → Français

Le projet llama.cpp a publié la version b11070, qui comprend une refonte majeure du backend Hexagon pour prendre en charge les mappages mémoire 64 bits et la gestion étendue des tampons. Cette mise à jour permet une prise en charge correcte du DMA (Accès Direct à la Mémoire) pour les modèles plus grands et les opérations complexes sur les DSP Qualcomm Hexagon.

Activation des mappages de tampons étendus et du DMA 64 bits via le module `hex-dma64`.
Extension des opérations binaires pour prendre en charge davantage de scénarios DMA et mise à jour de SSM_CONV pour utiliser le DMA avec prise en charge 64 bits.
Augmentation du nombre de mappages mémoire (mmaps) à 64 afin d'éviter l'éviction dans les modèles plus grands.
Réécriture des boucles softmax et GDN pour utiliser le DMA, améliorant l'utilisation des registres HVX.
Ajout d'une anneau secondaire comme solution de repli pour les transactions DMA trop volumineuses.

La version inclut des binaires pour macOS, Linux, Windows, Android et openEuler sur les backends CPU, GPU (CUDA, Vulkan, ROCm) et NPU.

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

Lire l'original

Articles similaires

github llama.cpp · à l'instant · 1 vue En direct

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.