github llama.cpp · 2 hari lalu · inference

llama.cpp b11070 merombak penanganan buffer Hexagon dan DMA untuk pemetaan 64-bit

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis versi b11070, yang menampilkan perombakan signifikan pada backend Hexagon untuk mendukung pemetaan memori 64-bit dan penanganan buffer yang lebih luas. Pembaruan ini mengaktifkan dukungan DMA (Direct Memory Access) yang tepat untuk model yang lebih besar dan operasi kompleks pada DSP Qualcomm Hexagon.

Mengaktifkan pemetaan buffer yang diperluas dan DMA 64-bit melalui modul `hex-dma64`.
Memperluas operasi biner untuk mendukung lebih banyak skenario DMA dan memperbarui SSM_CONV agar menggunakan DMA dengan dukungan 64-bit.
Meningkatkan jumlah pemetaan memori (mmaps) menjadi 64 untuk mencegah penghapusan pada model yang lebih besar.
Menulis ulang loop softmax dan GDN untuk memanfaatkan DMA, meningkatkan penggunaan register HVX.
Menambahkan ring sekunder sebagai cadangan untuk transaksi DMA yang terlalu besar.

Rilis ini mencakup biner untuk macOS, Linux, Windows, Android, dan openEuler di seluruh backend CPU, GPU (CUDA, Vulkan, ROCm), dan NPU.

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.