github llama.cpp · 1 jam lalu · inference

llama.cpp b11403 menggunakan MMVF untuk mul_mat f16/bf16 tipis pada batch kecil

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp merilis versi b11403, yang mencakup optimasi CUDA untuk menggunakan kernel MMVF untuk perkalian matriks f16 dan bf16 tipis pada ukuran batch kecil.

Logika pemilihan kernel disesuaikan untuk meningkatkan kinerja pada GPU NVIDIA.
Menyediakan biner untuk macOS (Apple Silicon dan Intel), Linux (CPU, Vulkan, CUDA 12/13, ROCm, OpenVINO, SYCL, Snapdragon), Windows (CPU, OpenCL, CUDA 12/13, Vulkan, OpenVINO, SYCL, ROCm), Android, dan openEuler.
Termasuk XCFramework iOS dan build UI bersama dengan biner standar.

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

Baca aslinya

llama.cpp b11405 menyusun pengindeks kilat berdasarkan kunci dan token untuk 4 kepala

Rilis llama.cpp b11405 memperbarui backend CUDA dengan menyusun pengindeks kilat berdasarkan kunci dan token untuk 4 kepala, mengatasi masalah kinerja dengan jumlah kepala yang kecil.

github llama.cpp · 19 jam lalu · 28 tayangan

llama.cpp b11390 memperbaiki kesalahan memori CUDA MMQ

Proyek llama.cpp telah merilis versi b11390, yang mencakup perbaikan untuk kesalahan memori CUDA MMQ yang terjadi ketika jumlah ahli secara signifikan lebih besar dari ukuran mikro-batch.

github llama.cpp · 2 hari lalu · 24 tayangan

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 · 2 hari lalu · 29 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 · 2 hari lalu · 30 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.