github llama.cpp · baru saja · inference

llama.cpp b10724 mengoptimalkan pemulihan keadaan kv-cache untuk mengurangi jumlah salinan dari 1.3M menjadi 224

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis build b10724, yang secara signifikan meningkatkan kinerja pemulihan sel KV cache non-kontigu dengan melakukan batching bacaan scatter per jalankanan kontinu.

Pemulihan keadaan dioptimalkan untuk buffer cincin terfragmentasi dengan menghitung sebelumnya indeks tujuan berurutan dan menggunakan salinan tunggal alih-alih salinan sel individu.
Memperbaiki kegagalan asersi pada pembaca perangkat saat jumlah tensor simpan dan pemulihan cocok tetapi chunking berbeda, kembali ke salinan kursor byte.
Menambahkan pengujian host dan di perangkat yang memverifikasi pemulihan keadaan identik byte demi byte untuk sel urutan berselang-seli.

Optimasi ini mengurangi jumlah salinan memori yang diperlukan untuk pemulihan besar dari lebih dari 1,3 juta menjadi hanya 224, memangkas waktu pemulihan dari puluhan detik menjadi kurang dari setengah detik.

Kepentingan 1/3 Kepercayaan 1/3 llama.cpp Inference efficiency Local inference

Baca aslinya

llama.cpp b10721 memperbaiki crash WebGPU dan menambahkan dukungan CUDA 13.4 untuk Windows

Proyek llama.cpp telah merilis build b10721, yang mencakup perbaikan kritis untuk backend WebGPU dan memperluas dukungan perangkat keras di Windows.

github llama.cpp · 4 jam lalu · 1 tayangan

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 · 7 jam lalu · 3 tayangan

llama.cpp b10715 menggabungkan encoder DFlash ke dalam injeksi cache KV

Proyek llama.cpp merilis build b10715, yang mencakup optimasi kunci pada implementasi DFlash. Encoder DFlash sekarang digabungkan langsung ke dalam proses injeksi cache KV selama decoding.

github llama.cpp · 8 jam lalu · 1 tayangan

llama.cpp b10714 menyetel baris mat-vec Vulkan untuk Strix Halo

Proyek llama.cpp merilis build b10714, yang mencakup optimasi khusus untuk backend Vulkan yang menargetkan perangkat keras AMD Strix Halo. Pembaruan ini menyesuaikan jumlah baris perkalian matriks-vektor untuk meningkatkan kinerja selama inferensi batch.

github llama.cpp · 14 jam lalu · 3 tayangan

llama.cpp b10706 menambahkan dukungan SWIGLU_CLAMP dan shader Vulkan

Proyek llama.cpp telah merilis build b10706, memperkenalkan fungsionalitas baru ke backend ggml. Pembaruan ini mencakup penambahan SWIGLU_CLAMP dan implementasi shader Vulkan baru.