github llama.cpp · 2 hari lalu · inference

llama.cpp b10938 menambahkan mutex queuesubmit Vulkan untuk memperbaiki bug driver NV

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis versi b10938, yang mencakup solusi alternatif untuk bug driver NVIDIA yang memengaruhi eksekusi Vulkan. Pembaruan ini memperkenalkan mutex di sekitar operasi queuesubmit untuk mencegah masalah sinkronisasi ketika dua antrian pada VkDevice yang sama dikirim secara bersamaan.

Menambahkan mutex di sekitar Vulkan queuesubmit untuk memperbaiki pemutusan sinkronisasi internal yang disebabkan oleh pengiriman antrian konkuren pada perangkat keras NVIDIA.
Menyediakan biner untuk macOS (Apple Silicon dan Intel), Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Android, Windows (CPU, CUDA 12/13, Vulkan, OpenCL, OpenVINO, SYCL, ROCm), dan platform openEuler.

Rilis ini memastikan kinerja Vulkan yang stabil pada driver NVIDIA yang terpengaruh dengan mengurangi cacat sinkronisasi yang diidentifikasi.

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

Baca aslinya

llama.cpp b10984 menambahkan dukungan CUDA untuk SUM_ROWS baris-kontigu

Proyek llama.cpp merilis versi b10984, memperkenalkan dukungan CUDA untuk operasi SUM_ROWS baris-kontigu. Pembaruan ini juga mengatur kode untuk menyertakan GGML_OP_MEAN guna menangani tensor baris-kontigu melalui kernel bersama.

github llama.cpp · 2 jam lalu · 1 tayangan

llama.cpp b10985 membatasi cache hash RPC ke bobot

Proyek llama.cpp merilis build b10985, yang memodifikasi backend RPC untuk membatasi caching berbasis hash secara eksklusif ke tensor bobot. Perubahan ini mengatasi masalah di mana data aktivasi tidak perlu di-hash dan disimpan, menyebabkan penggunaan disk yang berlebihan.

github llama.cpp · 3 jam lalu · 4 tayangan

llama.cpp b10982 menambahkan dukungan Vulkan sparse Flash Attention untuk DSV4/GLM

Proyek llama.cpp telah merilis build b10982, yang memperkenalkan dukungan untuk sparse Flash Attention melalui backend Vulkan. Pembaruan ini secara khusus menargetkan model DSV4 dan GLM, memungkinkan mereka memanfaatkan mekanisme perhatian jarang pada perangkat keras GPU yang kompatibel.

github llama.cpp · 4 jam lalu · 2 tayangan

llama.cpp b10981 memperbaiki decode stateful untuk Gemma-4 dan mengoptimalkan inferensi GPU MoE

Rilis llama.cpp b10981 mengatasi masalah korektivitas kritis pada jalur decoding stateful backend OpenVINO, khususnya memperbaiki dukungan untuk model seperti Gemma-4 yang menggunakan ukuran kepala per-layer. Rilis ini juga memperkenalkan optimisasi untuk inferensi Mixture of Experts (MoE) GPU dan meningkatkan kinerja melalui relayout state KV.

github llama.cpp · 5 jam lalu · 1 tayangan

llama.cpp menambahkan kernel Metal FA untuk HSK=96, HSV=64 MiniCPM3

Proyek llama.cpp telah menambahkan dukungan kernel Flash Attention (FA) untuk konfigurasi spesifik yang digunakan oleh MiniCPM3 di Apple Silicon. Perubahan ini mengatasi crash di mana flag `-fa auto` akan abort karena kurangnya instansiasi kernel untuk panjang kunci perhatian 96 dan panjang nilai 64.