github llama.cpp · 22시간 전 · inference

llama.cpp b11265 Vulkan MOE matmul 타일 선택 수정

번역 English → 한국어

llama.cpp b11265 릴리스에는 Vulkan 백엔드의 Mixture of Experts (MoE) 모델 처리에 대한 수정이 포함되어 있습니다. 이 업데이트는 `mat_mul_id`가 행렬 곱셈 타일을 선택하는 방식을 수정하여 디스패치 중 작업자가 대기 상태가 되는 성능 문제를 해결합니다.

이전에는 타일 선택이 총 토큰 수에 의존했으며, 이는 MoE 디스패치 그리드에서 실제 N이 워킹 그룹당 전문가별 행이기 때문에 올바르지 않았습니다.
pp128을 사용하는 Sarvam 30B와 같은 모델에서 이 오류로 인해 피커가 128 대신 약 6개의 활성 행에 대한 타일을 선택했습니다.
수정으로 인해 그룹의 모든 작업자가 작업을 수행하게 되어, 이전에는 작업 기간의 55%를 차지했던 낭비된 시간이 제거되었습니다.

이 변경은 GPU 작업자 간 적절한 워크로드 분배를 보장하여 Vulkan에서 MoE 모델의 추론 효율성을 향상시킵니다.

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

관련 기사

github llama.cpp · 11시간 전 · 조회수 2회

llama.cpp가 k-pool 및 MTP 수정과 함께 GLM-5.3-Flash 지원 추가

llama.cpp 프로젝트는 하이브리드 인덱스 메모리로의 마이그레이션 및 초기 Multi-Token Prediction (MTP) 기능을 포함하여 GLM-5.3-Flash (GLM5-Next) 모델 아키텍처에 대한 초기 지원을 추가했습니다.

github llama.cpp · 20시간 전 · 조회수 2회

llama.cpp b11266는 Intel에서 Vulkan용 F32 A 행렬을 2개씩 로드합니다

llama.cpp 프로젝트는 Vulkan 최적화를 포함하는 빌드 b11266를 출시했으며, 이는 2-정렬된 경우 F32 A 행렬을 한 번에 두 요소씩 로드합니다. 이 변경은 부동소수점을 하나씩 로드하는 것이 비효율적인 Intel 하드웨어의 성능 문제를 해결하고, 원래 패치에서 누락된 `a_offset` 정렬 검증도 수정합니다.

github llama.cpp · 2일 전 · 조회수 4회

llama.cpp b11238는 왼쪽 패딩을 위해 ggml_pad_ext를 추가하고 DFlash2 탭을 건너뜀

llama.cpp 프로젝트가 빌드 b11238를 출시하며, 새로운 `ggml_pad_ext` 함수를 통해 통합된 왼쪽 패딩 구현을 도입했습니다. 이 변경은 Parakeet, LFM2-Audio, Granite Speech, Gemma 4와 같은 오디오 인코더에서 사용되었던 이전 방법들을 통합하여 Gemma 4에 대해 비트 단위 일치 임베딩을 보장하고 백엔드 지원을 단순화합니다.

github llama.cpp · 2일 전 · 조회수 5회

llama.cpp b11232, x86에서 타일드 플래시 어텐션 활성화

llama.cpp 프로젝트는 ggml-cpu 백엔드에 대한 업데이트를 포함한 빌드 b11232를 출시했습니다. 이번 릴리스는 x86 아키텍처에서 벡터 배수가 아닌 헤드 차원에 대해 타일드 플래시 어텐션을 활성화하는 데 중점을 둡니다.

github llama.cpp · 2일 전 · 조회수 3회

llama.cpp b11228이 Metal GGML_OP_PAD에 왼쪽 및 원형 패딩 지원 추가

llama.cpp b11228 릴리스는 Metal 백엔드의 GGML_OP_PAD 연산에서 왼쪽 및 원형 패딩 지원을 도입하여 CPU, CUDA 및 Vulkan 구현과 일치시켰습니다. 이 변경은 순열된 소스의 오른쪽 패딩 문제를 수정하고 다양한 하드웨어 백엔드 간에 일관된 동작을 보장합니다.