github llama.cpp · il y a 3 j · inference

llama.cpp b11223 permet le RANK pooling batch splitting pour les rerankers LLM causaux

Traduit de English → Français

Le serveur llama.cpp autorise désormais le RANK pooling batch splitting pour les rerankers LLM causaux tels que Qwen3 et Qwen3-VL, résolvant des limitations précédentes qui cassaient le reranking de documents longs et multimodaux.

Auparavant, le serveur rejetait les entrées RANK-pooling supérieures à n_ubatch, forçant tous les tokens dans un seul batch physique.
La correction expose llama_get_causal_attn et llama_model_is_causal pour vérifier dynamiquement les types d'attention au lieu de coder en dur les vérifications d'architecture.
can_split() autorise désormais le chunked prefill pour le RANK pooling lorsque le contexte est causal, supprimant la logique dupliquée dans le builder de graphe.

Ce changement permet un traitement efficace des documents longs et des entrées multimodales en exploitant les capacités de chunked prefill inhérentes aux modèles causaux.

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

Lire l'original

llama.cpp ajoute le support de GLM-5.3-Flash avec des correctifs k-pool et MTP

Le projet llama.cpp a ajouté un support initial pour l'architecture du modèle GLM-5.3-Flash (GLM5-Next), y compris la migration vers une mémoire à index hybride et les premières capacités de Multi-Token Prediction (MTP).

github llama.cpp · il y a 20 h · 2 vues

llama.cpp b11266 charge les matrices A F32 par deux pour Vulkan sur Intel

Le projet llama.cpp a publié la version b11266, qui inclut une optimisation Vulkan chargeant les matrices A F32 par deux éléments lorsqu'elles sont alignées sur 2. Ce changement résout des problèmes de performance sur le matériel Intel où charger les flottants un par un est inefficace, et corrige également une validation manquante pour l'alignement de `a_offset` dans le patch original.

github llama.cpp · il y a 22 h · 1 vue

llama.cpp b11265 corrige la sélection de tuiles matmul MOE sur Vulkan

La version llama.cpp b11265 inclut une correction pour la gestion des modèles Mixture of Experts (MoE) par le backend Vulkan. La mise à jour corrige la façon dont `mat_mul_id` sélectionne les tuiles de multiplication matricielle, résolvant un problème de performance où les travailleurs restaient inactifs lors du dispatch.

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

llama.cpp b11238 ajoute ggml_pad_ext pour le remplissage à gauche et ignore les taps de DFlash2

Le projet llama.cpp a publié la version b11238, introduisant une implémentation unifiée du remplissage à gauche via la nouvelle fonction `ggml_pad_ext`. Ce changement consolide les méthodes précédentes utilisées par les encodeurs audio tels que Parakeet, LFM2-Audio, Granite Speech et Gemma 4, garantissant des embeddings bit-à-bit identiques pour Gemma 4 tout en simplifiant le support des backends.

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

llama.cpp b11232 active l'attention flash en tuiles sur x86

Le projet llama.cpp a publié la compilation b11232, qui inclut des mises à jour pour le backend ggml-cpu. La publication se concentre sur l'activation de l'attention flash en tuiles pour les dimensions de tête non multiples du vecteur sur les architectures x86.