github llama.cpp · baru saja · inference

llama.cpp b11375 memperbaiki penghentian realokasi graf di bawah GGML_SCHED_NO_REALLOC

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis build b11375, yang menangani masalah kritis di mana sel ubatch non-kontigu memaksa realokasi graf yang akan dihentikan ketika flag GGML_SCHED_NO_REALLOC disetel.

Perbaikan mengumpulkan keadaan rekuren sekali agar cadangan mencakup setiap split, memastikan ukuran cadangan kasus terburuk cukup.
get_rows tunggal sekarang mengumpulkan n_rs keadaan, dengan ubatch dan keadaan tambahan diperlakukan sebagai tampilan dari alokasi tunggal ini.
Getter kustom seperti mamba ssm_scan mengambil dari keadaan kedua untuk menghindari penyalinan keadaan untuk ubatch urutan tunggal.
Tampilan dibangun sekali per graf untuk menjaga overhead host tetap tidak berubah.

Perubahan ini memastikan eksekusi stabil di lingkungan penjadwalan terbatas dengan mencegah penghentian yang disebabkan oleh kendala realokasi memori.

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

Baca aslinya

llama.cpp b11372 memangkas memori indexer qwen4exp menjadi setengah dan menambahkan dukungan CUDA 4-head

Rilis llama.cpp b11372 memperkenalkan optimisasi untuk indexer lightning model qwen4exp, terutama dengan memangkas memori yang diperlukan untuk skor indexer selama pemrosesan konteks panjang. Hal ini dicapai dengan menghitung skor head secara in-place daripada membuat tensor terpisah untuk setiap head.

github llama.cpp · 11 jam lalu · 1 tayangan

llama.cpp b11368 menambahkan sampling probabilistik untuk draf sederhana dan MTP

Proyek llama.cpp merilis build b11368, yang memperkenalkan sampling probabilistik untuk alur kerja draf sederhana dan MTP (Multi-Token Prediction). Pembaruan ini memodifikasi mekanisme drafting untuk menggunakan seleksi probabilistik sambil memverifikasi target melalui sampling penolakan.

github llama.cpp · 14 jam lalu · 1 tayangan

llama.cpp b11362 menambahkan kernel flash attention API tensor untuk KV F16

Proyek llama.cpp merilis build b11362, yang memperkenalkan kernel flash attention API tensor baru yang mendukung penyimpanan kunci-nilai (KV) F16. Pembaruan ini tersedia di platform macOS, Linux, Windows, Android, dan iOS dengan berbagai opsi backend termasuk CUDA, Vulkan, dan ROCm.

github llama.cpp · 18 jam lalu · 4 tayangan

llama.cpp b11351 menambahkan alloc_buffer_n dan get_alloc_size_n ke antarmuka tipe buffer backend ggml

Proyek llama.cpp merilis build b11351, memperkenalkan metode baru ke antarmuka tipe buffer backend ggml. Pembaruan ini menambahkan `alloc_buffer_n` dan `get_alloc_size_n` untuk memungkinkan kontrol yang lebih granular atas alokasi buffer dan kueri ukuran.

github llama.cpp · 1 hari lalu · 2 tayangan

llama.cpp b11338 menambahkan salinan DMA strided bersama untuk CPY dan CONCAT

Proyek llama.cpp merilis build b11338, memperkenalkan mekanisme salinan Direct Memory Access (DMA) strided bersama untuk operasi CPY dan CONCAT. Pembaruan ini memungkinkan CONCAT dimensi apa pun melalui DMA pada arsitektur Hexagon.