github llama.cpp · 1 hari lalu · inference

llama.cpp b10690 memperbaiki crash K cache saat pergantian konteks

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp telah merilis versi b10690, yang mencakup perbaikan kritis untuk cache kunci-nilai yang tidak dikuantisasi. Pembaruan ini mencegah crash yang terjadi selama pergantian konteks dengan memastikan matriks Hadamard disalin ke tensor k_rot hanya ketika memiliki buffer yang ditetapkan.

Memperbaiki crash pada K cache tidak terkuantisasi saat pergantian konteks dengan menyalin matriks Hadamard secara kondisional
Menyediakan biner untuk macOS (Apple Silicon dan Intel), iOS, Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android, dan openEuler
Termasuk pembaruan UI dan atestasi untuk rilis

Kepentingan 1/3 Kepercayaan 1/3 llama.cpp Hugging Face Inference efficiency

Baca aslinya

llama.cpp b10718 memperluas fusi MOE ke specdec dan multi-token

Proyek llama.cpp merilis versi b10718, yang mencakup pembaruan signifikan pada backend CUDA-nya. Perubahan paling notable adalah perluasan fusi Mixture of Experts (MOE) untuk mendukung decoding spekulatif (specdec), mengatasi keterbatasan sebelumnya di mana fusi MOE glu dan topk-router dibatasi hanya memproses satu token pada satu waktu.

github llama.cpp · 4 jam lalu · 3 tayangan

Rilis llama.cpp b10717 meningkatkan pengambilan informasi memori SYCL

Proyek llama.cpp telah merilis versi b10717, yang mencakup peningkatan spesifik untuk backend SYCL pada GPU Intel. Pembaruan ini meningkatkan kemampuan untuk mengambil informasi memori bebas dengan memanfaatkan API L0 SYCL.

github llama.cpp · 10 jam lalu · 3 tayangan

llama.cpp b10712 menambahkan seleksi radix top-k Vulkan untuk Qwen 3.8 Flash Next

Proyek llama.cpp merilis build b10712, memperkenalkan shader pengurutan radix top-k baru yang dirancang untuk Vulkan untuk mendukung nilai k yang lebih besar atau sama dengan 1024. Pembaruan ini secara khusus menargetkan model Qwen 3.8 Flash Next dan mencakup uji terkait serta fusi top-k qsa.

github llama.cpp · 17 jam lalu · 6 tayangan

llama.cpp b10705 meningkatkan penanganan TENSOR_READ_LAZY

Proyek llama.cpp telah merilis versi b10705, yang mencakup peningkatan pada mekanisme penanganan TENSOR_READ_LAZY. Pembaruan ini memaksa tensor malas di CPU ketika pengaturan malas diaktifkan.

github llama.cpp · 18 jam lalu · 4 tayangan

llama.cpp b10702 mengoptimalkan dot-product Q2_0 untuk AMD gfx1201

Proyek llama.cpp merilis versi b10702, yang mencakup optimasi spesifik untuk jalur dot-product kuantisasi Q2_0 pada arsitektur gfx1201 dari AMD. Pembaruan ini memperluas implementasi HIP untuk menggunakan instruksi permutasi amdgcn native, meningkatkan kinerja untuk konfigurasi perangkat keras tertentu ini.