github llama.cpp · baru saja · inference

llama.cpp b11140 mengaktifkan sparse-fa untuk prefill dsv4 pada CUDA

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis versi b11140, yang mencakup optimasi CUDA yang mengaktifkan sparse-fa untuk prefill dsv4. Pembaruan ini mengatasi masalah kinerja dalam proses pemindaian mask flash attention dengan membuat template kernel untuk memungkinkan unrolling loop pada waktu kompilasi.

Loop kueri `flash_attn_mask_to_sparse_indices` sekarang dibatasi pada waktu kompilasi, mengurangi waktu pemindaian dari 46 menjadi 17 mikrodetik untuk bentuk decode sparse dengan 49k kolom.
Pemeriksaan out-of-bounds untuk pemindaian mask sparse dipindahkan ke kode host, memungkinkan operasi sparse batched pada konteks 49k turun dari 586 menjadi 244 mikrodetik.

Rilis ini menyediakan biner untuk macOS, Linux, Windows, Android, dan openEuler di seluruh backend CPU, GPU, dan NPU.

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

Baca aslinya

llama.cpp b11138 mengurai +/- unary sebelum variabel

Proyek llama.cpp merilis build b11138, yang memperbarui parser template Jinja untuk menangani operator plus dan minus unary sebelum variabel.

github llama.cpp · 2 jam lalu · 12 tayangan

llama.cpp b11136 menambahkan dukungan video_url OpenAI ke llama-server

Proyek llama.cpp merilis build b11136, yang memperbarui llama-server untuk menerima jenis konten "video_url" standar OpenAI untuk input video. Sebelumnya, server hanya menerima tipe non-standar "input_video" dan menolak URI data, menyebabkan masalah kompatibilitas dengan klien yang sesuai dengan OpenAI.

github llama.cpp · 3 jam lalu · 12 tayangan

llama.cpp b11132 menambahkan dukungan backbone draf Gemma 4 DSpark

Proyek llama.cpp merilis versi b11132, memperkenalkan dukungan untuk backbone draf Gemma 4 DSpark. Pembaruan ini mengaktifkan konversi GGUF dan kemampuan runtime untuk draf Gemma 4 dengan perhatian penuh dan SWA, termasuk bobot output terikat dan metadata backbone boolean.

github llama.cpp · 8 jam lalu · 12 tayangan

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 · 10 jam lalu · 12 tayangan

llama.cpp b11120 menyembunyikan simbol internal Vulkan untuk memperbaiki penghancuran state

Proyek llama.cpp merilis versi b11120, yang mengatasi bug kritis pada backend Vulkan dengan menyembunyikan simbol internal. Perubahan ini mencegah masalah penghancuran state akibat duplicate-dlopen yang terjadi ketika simbol internal diekspor.