github llama.cpp · 5時間前 · inference

llama.cppがMiniCPM3のHSK=96、HSV=64向けにMetal FAカーネルを追加

翻訳元 English → 日本語

llama.cppプロジェクトは、Apple SiliconでMiniCPM3が使用する特定の構成に対してFlash Attention (FA) カーネルサポートを追加しました。この変更は、注意キー長96および値長64の欠落したカーネルインスタンス化により`-fa auto`フラグが中止されるクラッシュを修正します。

すでに(96, 96)をサポートしているすべてのK/Vタイプに対して(96, 64)のタイルカーネルを追加しました。
NLがDK/4とDV/4の両方を割り切れる唯一の値であるため、NE=4構成用のベクトルカーネルを追加しました。
冗長なFA vecスライスカバレッジを避けるようにテストを更新しました。

このアップデートにより、MiniCPM3モデルはmacOSおよびiOSデバイスでFlash Attentionを有効にして実行できるようになり、カーネルエラーが発生しなくなります。

重要度 1/3 信頼度 1/3 llama.cpp Hugging Face Inference efficiency

原文を読む

github llama.cpp · 1時間前 · 1 回表示ライブ

llama.cpp b10984 が CUDA の行連続 SUM_ROWS サポートを追加

llama.cpp プロジェクトはバージョン b10984 をリリースし、行連続の SUM_ROWS 操作に対する CUDA サポートを導入しました。このアップデートでは、共有カーネルを通じて行連続テンソルを処理するために GGML_OP_MEAN を含むようにコードが整理されました。

github llama.cpp · 1時間前 · 1 回表示ライブ

llama.cpp b10985 は RPC ハッシュキャッシュを重みに制限

llama.cpp プロジェクトはビルド b10985 をリリースし、ハッシュベースのキャッシングを重みテンソンのみに制限するために RPC バックエンドを変更しました。この変更は、アクティベーションデータが不要にハッシュ化および保存され、ディスク使用量が過大になる問題を解決します。

github llama.cpp · 3時間前 · 2 回表示

llama.cpp b10981がGemma-4のステートフルデコードを修正し、GPU上のMoE推論を最適化

llama.cpp b10981リリースは、OpenVINOバックエンドのステートフルデコードパスにおける重大な正確性の問題を解決し、特にレイヤーごとのヘッドサイズを使用するGemma-4などのモデルのサポートを修正します。また、GPU上のMixture of Experts (MoE) 推論の最適化を導入し、KV状態のリレイアウトを通じてパフォーマンスを向上させます。

github llama.cpp · 19時間前 · 3 回表示

llama.cpp b10970 リリースはMFMAデバイスでfp32累積を使用

llama.cppプロジェクトはバージョンb10970をリリースしました。これにはfattn-mmaバックエンドの技術的な更新が含まれています。この変更により、CDNAアーキテクチャのデバイス用にfp32累算器の使用が実装されました。

github llama.cpp · 1日前 · 1 回表示

llama.cpp b10956がSYCLのtop_kで大きなkに対するradix selectを追加

llama.cpp b10956リリースは、TOP_K操作における大きなk値を処理するためにSYCLバックエンドにradix selectアルゴリズムを導入しました。これにより、それまでk > 32の場合にCPUにフォールバックしていた問題が解消されました。この変更により、ヒストグラムベースのパスを使用して共有ローカルメモリのフットプリントをkに依存させないことで、大きなkのGPU内処理が可能になります。