github llama.cpp · 4 hari lalu · inference

llama.cpp b11047 memperbaiki korupsi CUB argsort pada CUDA

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis versi b11047, yang mencakup perbaikan kritis untuk korupsi CUB argsort yang disebabkan oleh kunci in-place. Masalah ini muncul karena `argsort_f32_i32_cuda_cub` memanggil `DeviceRadixSort::SortPairs` dengan buffer kunci input dan output yang alias, menyebabkan ping-pong double-buffer internal CUB menimpa inputnya sendiri selama proses.

Bug ini mengakibatkan permutasi yang rusak dan indeks sampah intermiten, khususnya pada GPU Maxwell dengan CUDA 12.5 dan CCCL 2.x, yang selanjutnya memicu gathers out-of-bounds dalam operasi `get_rows` downstream. Perbaikan memastikan bahwa semua enam titik panggilan (plain dan segmented, ascending dan descending, size-query dan execute) menggunakan buffer keys-out yang berbeda.

Rilis ini menyediakan biner untuk macOS, Linux, Android, Windows, dan openEuler melalui backend CPU, CUDA, ROCm, Vulkan, OpenVINO, SYCL, dan OpenCL.

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

Baca aslinya

llama.cpp b11122 memperluas fusi MMVQ GLU dan menambahkan fusi SYCL baru

Proyek llama.cpp telah merilis versi b11122, yang mencakup pembaruan signifikan untuk backend SYCL. Rilis ini memperluas fusi MMVQ GLU untuk mendukung jenis kuantisasi campuran dan memperkenalkan fusi baru untuk operasi rms_norm+scale dan ssm_conv+silu.

github llama.cpp · 14 jam lalu · 11 tayangan

llama.cpp b11111 menambahkan kernel optimasi flash attention untuk Intel Xe

Proyek llama.cpp merilis build b11111, yang memperkenalkan kernel optimasi flash attention berbasis Vulkan untuk jalur split k pada arsitektur Xe-LPG Plus, Xe2, dan Xe3.

github llama.cpp · 17 jam lalu · 9 tayangan

llama.cpp menambahkan dukungan DFlash untuk HunyuanOCR dan memperbaiki konversi draf

Proyek llama.cpp telah menambahkan dukungan untuk dekode spekulatif DFlash dengan model HunyuanOCR dengan mengekspos tensor input lapisan dalam grafik target. Perubahan ini memungkinkan model draf membaca aliran residual, sehingga permintaan gambar dapat berjalan sukses dengan tingkat penerimaan draf sekitar 0,5 dan output OCR yang identik secara byte dibandingkan dengan eksekusi non-spekulatif.

github llama.cpp · 20 jam lalu · 11 tayangan

Rilis llama.cpp b11101 memungkinkan panggilan find_package berulang untuk llama

Proyek llama.cpp telah merilis versi b11101, yang mencakup perbaikan sistem build yang memungkinkan panggilan find_package berulang untuk pustaka llama.

lab Hugging Face Blog · 21 jam lalu · 10 tayangan

Transformers menambahkan dukungan GGUF melalui kernel ggml untuk inferensi lokal

Pustaka Transformers dari Hugging Face kini mendukung pemuatan model terkuantisasi GGUF, memanfaatkan kernel ggml di bawahnya untuk membawa performa mendekati llama.cpp. Integrasi ini memungkinkan pengembang menjalankan checkpoint terkuantisasi langsung dalam API berbasis PyTorch standar pada perangkat keras yang didukung.