github llama.cpp · 2 hari lalu · inference

llama.cpp b11227 mengoptimalkan pengalihan causal_attn untuk inferensi visual yang lebih cepat

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis build b11227, yang mencakup optimasi kinerja yang secara khusus menargetkan penanganan flag `causal_attn` selama pemrosesan multimodal.

Scheduler tidak lagi memesan ulang memori saat mengaktifkan `causal_attn`, menghilangkan proses mahal yang sebelumnya memperlambat input visual untuk model seperti Gemma.
Bentuk bias indexer qwen4exp sekarang independen dari `causal_attn`, mencegah kegagalan realokasi buffer di bawah batasan `GGML_SCHED_NO_REALLOC`.
Benchmark pada llama-server dengan gemma-4-26B-A4B menunjukkan pengurangan latensi yang signifikan, seperti percepatan 7.61x untuk 24 gambar pada RTX 4090 dan hingga 3.40x pada H200 dengan pengaturan konteks besar.

Perubahan ini meningkatkan kecepatan inferensi untuk input multi-gambar dan video tanpa mengubah output yang dihasilkan atau perilaku rebuild graf.

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

Baca aslinya

llama.cpp b11298 menambahkan dukungan dflash untuk konversi dan ekstraksi fitur

Proyek llama.cpp telah merilis build b11298, yang memperkenalkan dukungan untuk format dflash. Pembaruan ini memungkinkan konversi model ke format ini serta kemampuan ekstraksi fitur selanjutnya.

github llama.cpp · 7 jam lalu · 2 tayangan

llama.cpp b11284 memperbaiki GET_ROWS OpenVINO pada tampilan bobot terkuantisasi

Proyek llama.cpp merilis build b11284, yang mencakup perbaikan untuk backend OpenVINO agar dapat menangani operasi GET_ROWS dengan benar pada tampilan bobot terkuantisasi.

github llama.cpp · 11 jam lalu · 2 tayangan

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 · 13 jam lalu · 2 tayangan

llama.cpp b11272 mengoptimalkan operasi penggabungan Hexagon

Proyek llama.cpp merilis build b11272, yang mencakup optimasi untuk backend Hexagon. Perubahan utama berfokus pada optimisasi operasi penggabungan untuk meningkatkan kinerja pada perangkat keras Qualcomm Snapdragon.

github llama.cpp · 1 hari lalu · 7 tayangan

llama.cpp b11260 menambahkan dukungan FP32 GELU_ERF dan GEGLU_ERF

Proyek llama.cpp telah merilis versi b11260, memperkenalkan dukungan untuk fungsi aktivasi FP32 GELU_ERF dan GEGLU_ERF di backend Hexagon. Pembaruan ini juga mencakup optimasi untuk mengurangi tekanan register dalam kernel terkait.