github llama.cpp · il y a 1 h · inference

llama.cpp b11377 respecte json_schema dans l'analyseur Ling 3.0

Traduit de English → Français

Le projet llama.cpp a publié la version b11377, qui met à jour l'analyseur de chat Ling 3.0 pour gérer correctement les contraintes `json_schema`.

Auparavant, la grammaire Ling 3.0 ne prenait en charge que les appels d'outils et laissait les requêtes `response_format` sans contrainte. Cette version ajoute un chemin de grammaire de format de réponse prioritaire qui prend le dessus sur les outils.

La mise à jour nécessite un bloc `<think>` avant la sortie JSON lorsque la réflexion est activée et empêche tout texte libre après la réponse JSON, corrigeant ainsi l'erreur #29652.

Cette version inclut des binaires pour macOS (Apple Silicon et Intel), iOS, Linux (CPU, Vulkan, CUDA, ROCm, OpenVINO, SYCL, Snapdragon), Android, Windows (CPU, OpenCL, CUDA, Vulkan, OpenVINO, SYCL, ROCm) et openEuler.

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

Lire l'original

llama.cpp b11375 corrige les aborts de réallocation de graphe sous GGML_SCHED_NO_REALLOC

Le projet llama.cpp a publié la build b11375, qui résout un problème critique où des cellules ubatch non contiguës forçaient des réallocations de graphe qui étaient interrompues lorsque le drapeau GGML_SCHED_NO_REALLOC était défini.

github llama.cpp · il y a 3 h · 1 vue

Mises à jour de ggml-openvino vers 2026.4.1 avec fusion MoE et corrections de liste des appareils

Le backend ggml-openvino pour llama.cpp a été mis à jour vers la version 2026.4.1, introduisant des optimisations de performance, un support élargi des opérateurs et une amélioration de l'énumération des appareils.

github llama.cpp · il y a 4 h · 1 vue

llama.cpp b11372 divise par deux la mémoire de l'indexeur qwen4exp et ajoute le support CUDA pour 4 têtes

La version b11372 de llama.cpp introduit des optimisations pour l'indexeur éclair du modèle qwen4exp, réduisant principalement de moitié la mémoire requise pour les scores de l'indexeur lors du traitement de contextes longs. Cela est obtenu en calculant les scores des têtes sur place plutôt qu'en matérialisant des tenseurs séparés pour chaque tête.

github llama.cpp · il y a 10 h · 2 vues

llama.cpp b11370 fusionne les experts partagés dans MMVQ

Le projet llama.cpp a publié la compilation b11370, qui inclut une optimisation CUDA pour fusionner les experts partagés dans l'architecture Mixture of MoE avec Quantification Vectorielle (MMVQ). Ce changement fait partie de la pull request #29184 et traite également des vérifications de tampon nul et de la gestion des arguments pour stride_col_dst.

github llama.cpp · il y a 13 h · 2 vues

llama.cpp b11368 ajoute l'échantillonnage probabiliste pour le brouillon simple et MTP

Le projet llama.cpp a publié la compilation b11368, qui introduit l'échantillonnage probabiliste pour les flux de travail de brouillon simple et MTP (Multi-Token Prediction). Cette mise à jour modifie le mécanisme de brouillon pour utiliser une sélection probabiliste tout en vérifiant les cibles par échantillonnage par rejet.