github llama.cpp · 2일 전 · inference

llama.cpp b10947이 Nemotron-H MoE의 제로 디바이더 충돌 수정

번역 English → 한국어

llama.cpp 프로젝트는 Nemotron-H 모델의 치명적인 로딩 시간 충돌을 해결하는 버전 b10947을 출시했습니다. 이 업데이트는 NextN/MTP 꼬리 루프가 비-MoE 레이어에 대해 제로 값을 보유하는 레이어별 배열에서 전문가 FFN 크기를 유도할 때 발생하는 제로 디바이더 오류를 방지합니다.

expert_feed_forward_length가 누락된 경우 제로로 나누는 대신 잘못된 메타데이터를 보고하여 SIGFPE 충돌을 수정합니다.

macOS(Apple Silicon 및 Intel), iOS, Linux(CPU, Vulkan, ROCm, OpenVINO, SYCL), Android, Windows(CPU, CUDA 12/13, OpenCL, Vulkan, OpenVINO, SYCL, ROCm) 및 openEuler에 대한 바이너리를 제공합니다.

이 변경은 체크포인트 로딩 중 시그널 오류로 인해 애플리케이션이 종료되는 것을 방지하여 혼합 MoE 및 밀집 레이어가 있는 모델의 안정적인 작동을 보장합니다.

중요도 1/3 신뢰도 1/3 llama.cpp Inference efficiency

원문 보기

llama.cpp b10984, CUDA 행 연속 SUM_ROWS 지원 추가

llama.cpp 프로젝트는 버전 b10984를 출시하여 행 연속 SUM_ROWS 연산에 대한 CUDA 지원을 도입했습니다. 이 업데이트는 공유 커널을 통해 행 연속 텐서를 처리하기 위해 GGML_OP_MEAN을 포함하도록 코드를 정리합니다.

github llama.cpp · 2시간 전 · 조회수 1회

llama.cpp b10985은 RPC 해시 캐시를 가중치로 제한

llama.cpp 프로젝트는 빌드 b10985을 출시하여 해시 기반 캐싱을 가중치 텐서로만 제한하도록 RPC 백엔드를 수정했습니다. 이 변경은 활성화 데이터가 불필요하게 해시되고 저장되어 디스크 사용량이 과도해지는 문제를 해결합니다.

github llama.cpp · 3시간 전 · 조회수 4회

llama.cpp b10982가 DSV4/GLM에 대한 Vulkan 스파스 Flash Attention 지원을 추가함

llama.cpp 프로젝트는 Vulkan 백엔드를 통해 스파스 Flash Attention에 대한 지원을 도입한 빌드 b10982를 출시했습니다. 이 업데이트는 특히 DSV4 및 GLM 모델을 대상으로 하며, 호환되는 GPU 하드웨어에서 스파스 주의 메커니즘을 활용할 수 있도록 합니다.

github llama.cpp · 4시간 전 · 조회수 2회

llama.cpp b10981, Gemma-4의 상태 디코딩 수정 및 GPU MoE 추론 최적화

llama.cpp b10981 릴리스는 OpenVINO 백엔드의 상태 디코딩 경로에서 중요한 정확성 문제를 해결하며, 특히 레이어별 헤드 크기를 사용하는 Gemma-4와 같은 모델에 대한 지원을 수정합니다. 또한 GPU Mixture of Experts (MoE) 추론을 위한 최적화를 도입하고 KV 상태 재배치를 통해 성능을 개선합니다.

github llama.cpp · 5시간 전 · 조회수 1회

llama.cpp가 MiniCPM3의 HSK=96, HSV=64에 Metal FA 커널 추가

llama.cpp 프로젝트는 Apple Silicon에서 MiniCPM3가 사용하는 특정 구성에 대해 Flash Attention (FA) 커널 지원을 추가했습니다. 이 변경은 주의 키 길이 96 및 값 길이 64에 대한 누락된 커널 인스턴스화로 인해 `-fa auto` 플래그가 중단되는 충돌을 해결합니다.