github llama.cpp · baru saja · inference

llama.cpp b10727 menambahkan dukungan penggabungan untuk tipe terkuantisasi

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp telah merilis build b10727, yang memperkenalkan dukungan penggabungan untuk tipe data terkuantisasi. Pembaruan ini dibantu oleh DeepSeek-V4-Flash-0731 dan mencakup biner untuk macOS, Linux, Windows, Android, dan openEuler di berbagai backend perangkat keras termasuk CPU, CUDA, ROCm, dan Vulkan.

Rilis ini menyediakan biner yang telah dikompilasi sebelumnya untuk beberapa platform dan arsitektur:

macOS Apple Silicon (arm64) dan Intel (x64)
iOS melalui XCFramework
Distribusi Linux termasuk Ubuntu x64, arm64, s390x, dan varian dengan dukungan Vulkan, ROCm 7.14, OpenVINO, dan SYCL
Windows x64 dan arm64 dengan opsi CPU, OpenCL Adreno, CUDA 12/13, Vulkan, OpenVINO, SYCL, dan ROCm 7.14
Android arm64 (CPU)
Konfigurasi openEuler x86 dan aarch64

Rilis ini memungkinkan pengguna memanfaatkan fungsi penggabungan terkuantisasi baru di berbagai sistem operasi dan akselerator perangkat keras yang didukung.

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

Baca aslinya

llama.cpp b10726 mempercepat pemrosesan prompt model IQ batch besar dengan AVX2

Proyek llama.cpp merilis versi b10726, yang memperkenalkan optimasi kinerja signifikan untuk memproses ukuran batch besar dalam model terkuantisasi IQ. Pembaruan utama memanfaatkan instruksi AVX2 untuk mempercepat kuantisasi IQ grid melalui operasi GEMM batch.

github llama.cpp · 4 jam lalu · 2 tayangan

llama.cpp b10723 menyesuaikan jalur kuantisasi OpenCL untuk GPU Intel Xe-LP

Proyek llama.cpp merilis versi b10723, yang mencakup optimasi spesifik untuk OpenCL pada perangkat keras grafis Intel Xe-LP. Pembaruan ini berfokus pada peningkatan kinerja generasi tensor (TG) dan praisi (PP) dengan menyesuaikan kernel kuantisasi.

github llama.cpp · 7 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 · 9 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 · 15 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.