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

llama.cpp b11224 corrige les résultats incorrects de mul_mat Vulkan sur les vues de cache KV en stride

Traduit de English → Français

La version llama.cpp b11224 traite les résultats de calcul incorrects dans le backend Vulkan lorsque les opérations de multiplication de matrices lisent des tranches de tenseurs plus grands et en stride, tels que les caches KV.

Le stride du lot pour les tenseurs src0 et src1 in situ est désormais correctement dérivé de nb[2] au lieu de ne00*ne01, garantissant un accès correct aux lignes sur toutes les têtes.
Les plages A et B in situ sont dimensionnées par leur étendue en stride à l'aide de ggml_nbytes ou ggml_vk_subbuffer pour éviter de lire des données effacées ou de se bloquer sur du matériel NVIDIA sans coopmat2.
Les chemins mul_mat_id et mul_mm sont mis à jour pour gérer correctement les vues d'experts en stride et les tuiles partielles, évitant les blocages sur les opérations NVFP4.

Cette correction garantit des résultats d'inférence précis pour les mécanismes d'auto-attention du décodeur qui dépendent de dispositions mémoire en stride dans le backend Vulkan.

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

Lire l'original

Articles similaires

github llama.cpp · il y a 11 h · 2 vues

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.