github llama.cpp · 1 jam lalu · inference

llama.cpp b11377 menghormati json_schema dalam parser Ling 3.0

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis build b11377, yang memperbarui parser obrolan Ling 3.0 untuk menangani batasan `json_schema` dengan benar.

Sebelumnya, tata bahasa Ling 3.0 hanya mendukung panggilan alat dan membiarkan permintaan `response_format` tanpa batasan. Rilis ini menambahkan jalur tata bahasa respons-format yang antusias yang memiliki prioritas lebih tinggi daripada alat.

Pembaruan ini memerlukan blok `<think>` sebelum keluaran JSON saat berpikir diaktifkan dan mencegah prosa pengikut setelah respons JSON, memperbaiki masalah #29652.

Build ini mencakup biner untuk macOS (Apple Silicon dan Intel), iOS, Linux (CPU, Vulkan, CUDA, ROCm, OpenVINO, SYCL, Snapdragon), Android, Windows (CPU, OpenCL, CUDA, Vulkan, OpenVINO, SYCL, ROCm), dan openEuler.

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

Baca aslinya

llama.cpp b11375 memperbaiki penghentian realokasi graf di bawah GGML_SCHED_NO_REALLOC

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.

github llama.cpp · 3 jam lalu · 1 tayangan

ggml-openvino diperbarui ke 2026.4.1 dengan penggabungan MoE dan perbaikan daftar perangkat

Backend ggml-openvino untuk llama.cpp telah diperbarui ke versi 2026.4.1, memperkenalkan optimasi kinerja, dukungan operator yang lebih luas, dan peningkatan enumerasi perangkat.

github llama.cpp · 4 jam lalu · 1 tayangan

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 · 10 jam lalu · 2 tayangan

llama.cpp b11370 menggabungkan ahli bersama ke MMVQ

Proyek llama.cpp telah merilis build b11370, yang mencakup optimasi CUDA untuk menggabungkan ahli bersama ke dalam arsitektur Mixture of MoE dengan Kuantisasi Vektor (MMVQ). Perubahan ini merupakan bagian dari pull request #29184 dan juga menangani pemeriksaan buffer null serta penanganan argumen untuk stride_col_dst.

github llama.cpp · 13 jam lalu · 2 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.