github llama.cpp · 1時間前 · inference

llama.cpp b10988 が推論デコーディング用の OpenCL MoE エキスパート行列乗算選択を追加

翻訳元 English → 日本語

llama.cpp プロジェクトはビルド b10988 をリリースし、Mixture of Experts (MoE) モデル用に OpenCL バックエンドに変更を加えました。このアップデートは、推論デコーディングとマルチトークン予測中にバッチサイズに基づいて MoE エキスパート行列乗算を選択するロジックを実装しました。

ルーティング数に応じて事前に構築された q4_0 MoE GEMM 操作をゲートします。
効率を向上させるため、パディングされた MoE アクティベーションスロットへのゼロ書き込みを停止します。
CPU、CUDA、ROCm、Vulkan、OpenVINO、SYCL、Adreno プラットフォーム向けに、macOS、Linux、Windows、Android、openEuler のバイナリを提供します。

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

原文を読む

github llama.cpp · 5時間前 · 1 回表示

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 · 6時間前 · 1 回表示

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 · 8時間前 · 4 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 · 9時間前 · 1 回表示

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

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。

github llama.cpp · 23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。