github llama.cpp · il y a 20 h · inference

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

Traduit de English → Français

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.

La modification exploite la logique de chargement 2-alignée existante dans `mul_mat_vec` pour améliorer le débit sur les architectures Intel BMG.
Les résultats de benchmark sur un Intel B60 montrent des accélérations significatives pour certaines formes de multiplication matricielle, avec une performance passant de 153,08 GFLOPS à 221,66 GFLOPS pour un cas de test et jusqu'à 1,63 TFLOPS pour un autre.
La version fournit des binaires pour macOS (Apple Silicon et Intel), Linux (CPU, Vulkan, CUDA, ROCm, OpenVINO, SYCL, Snapdragon), Android, Windows et openEuler.

Cette mise à jour améliore les performances d'inférence sur les GPU Intel en utilisant le backend Vulkan en optimisant les motifs d'accès mémoire pour les opérations de matrices flottantes.

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 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.

github llama.cpp · il y a 2 j · 3 vues

llama.cpp b11228 ajoute le support du remplissage gauche et circulaire dans GGML_OP_PAD de Metal

La version llama.cpp b11228 introduit le support du remplissage gauche et circulaire dans l'opération GGML_OP_PAD du backend Metal, l'alignant avec les implémentations CPU, CUDA et Vulkan. Cette modification corrige les problèmes de remplissage droit pour les sources permuted et assure un comportement cohérent entre différents backends matériels.