github llama.cpp · 5 hari lalu · inference

llama.cpp b11195 menambahkan mul_mat bertingkat untuk k-quants dengan percepatan 3-6x

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis versi b11195, memperkenalkan implementasi perkalian matriks bertingkat untuk k-quants di backend CPU. Perubahan ini membongkar data terkuantisasi menjadi ubin int8 berukuran 256x256 dan menghitung hasil menggunakan mikrokernel untuk meningkatkan kinerja pada operasi matriks besar.

mul_mat bertingkat memberikan peningkatan kecepatan 3-6x untuk perkalian matriks besar, dengan titik impas pada dimensi 4096x64 * 64x4096.
Tingkat kesalahan tetap sangat kecil, dengan kesalahan maksimum sekitar 1-e04 dan RMSE sekitar 1-e05.
Rilis ini mencakup perbaikan untuk build ARM dan Windows, dukungan IQP yang disatukan untuk benchmark Q5_K dan IQ4_XS, serta kernel AVX2 yang dioptimalkan.

Pembaruan ini meningkatkan kecepatan inferensi untuk operasi matriks besar sambil mempertahankan akurasi numerik di berbagai platform yang didukung.

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

Baca aslinya

llama.cpp menambahkan dukungan GLM-5.3-Flash dengan perbaikan k-pool dan MTP

Proyek llama.cpp telah menambahkan dukungan awal untuk arsitektur model GLM-5.3-Flash (GLM5-Next), termasuk migrasi ke memori indeks hibrida dan kemampuan Multi-Token Prediction (MTP) awal.

github llama.cpp · 20 jam lalu · 2 tayangan

llama.cpp b11266 memuat matriks A F32 dua kali untuk Vulkan pada Intel

Proyek llama.cpp merilis build b11266, yang mencakup optimasi Vulkan yang memuat matriks A F32 dua elemen sekaligus ketika mereka sejajar 2. Perubahan ini mengatasi masalah kinerja pada perangkat keras Intel di mana memuat float satu per satu tidak efisien, dan juga memperbaiki validasi yang hilang untuk penjajaran `a_offset` dalam patch asli.

github llama.cpp · 22 jam lalu · 1 tayangan

llama.cpp b11265 memperbaiki pemilihan tile matmul MOE di Vulkan

Rilis llama.cpp b11265 mencakup perbaikan untuk penanganan model Mixture of Experts (MoE) oleh backend Vulkan. Pembaruan ini memperbaiki bagaimana `mat_mul_id` memilih tile perkalian matriks, mengatasi masalah kinerja di mana pekerja menganggur selama penjadwalan.

github llama.cpp · 2 hari lalu · 4 tayangan

llama.cpp b11238 menambahkan ggml_pad_ext untuk padding kiri dan melewatkan tap DFlash2

Proyek llama.cpp merilis build b11238, memperkenalkan implementasi padding kiri yang terpadu melalui fungsi `ggml_pad_ext` baru. Perubahan ini menyatukan metode sebelumnya yang digunakan oleh encoder audio seperti Parakeet, LFM2-Audio, Granite Speech, dan Gemma 4, memastikan embedding yang identik secara bit untuk Gemma 4 sambil menyederhanakan dukungan backend.

github llama.cpp · 2 hari lalu · 5 tayangan

llama.cpp b11232 mengaktifkan flash attention bertegel di x86

Proyek llama.cpp merilis build b11232, yang mencakup pembaruan untuk backend ggml-cpu. Rilis ini berfokus pada pengaktifan flash attention bertegel untuk dimensi kepala bukan kelipatan vektor pada arsitektur x86.