github llama.cpp · 22 jam lalu · inference

llama.cpp b11265 memperbaiki pemilihan tile matmul MOE di Vulkan

Diterjemahkan dari English → Bahasa Indonesia

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.

Sebelumnya, pemilihan tile bergantung pada jumlah token total, yang salah untuk grid penjadwalan MoE di mana N sebenarnya per kelompok kerja adalah baris per ahli.
Pada model seperti Sarvam 30B dengan pp128, kesalahan ini menyebabkan pemilih memilih tile untuk sekitar 6 baris aktif alih-alih 128.
Perbaikan memastikan bahwa semua pekerja dalam satu kelompok memiliki pekerjaan, menghilangkan waktu terbuang yang sebelumnya menyumbang 55% dari durasi pekerjaan.

Perubahan ini meningkatkan efisiensi inferensi untuk model MoE di Vulkan dengan memastikan distribusi beban kerja yang tepat di antara pekerja GPU.

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 · 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.

github llama.cpp · 2 hari lalu · 3 tayangan

llama.cpp b11228 menambahkan dukungan padding kiri dan melingkar di GGML_OP_PAD Metal

Rilis llama.cpp b11228 memperkenalkan dukungan untuk padding kiri dan melingkar pada operasi GGML_OP_PAD di backend Metal, menyelaraskannya dengan implementasi CPU, CUDA, dan Vulkan. Perubahan ini memperbaiki masalah padding kanan untuk sumber yang dipermutasi dan memastikan perilaku yang konsisten di berbagai backend perangkat keras.