github llama.cpp · há 1 h · inference

llama.cpp b10206 impõe os mesmos tipos de cache K e V para modelos DeepSeek V4 e MLA

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b10206, que introduz mudanças específicas em como os caches de chave-valor são tratados nos mecanismos de atenção. A atualização garante que os tipos de cache K e V permaneçam consistentes para os modelos DeepSeek V4.

Impõe tipos de cache K e V idênticos para as arquiteturas DeepSeek V4.
Habilita Flash Attention (FA) quando o cache V está quantizado.
Aplica a mesma imposição de tipos de cache K e V a outros modelos MLA.

Este lançamento fornece binários para macOS, Linux, Windows, Android e openEuler em vários backends de hardware, incluindo CPU, CUDA, ROCm, Vulkan, OpenVINO, SYCL e OpenCL.

Importância 1/3 Confiança 1/3 llama.cpp Inference efficiency Local inference

Ler original

Lançamento do llama.cpp b10202 com fusão SYCL RMS_NORM

O projeto llama.cpp lançou a versão b10202, introduzindo uma otimização SYCL que funde as operações RMS_NORM e MUL.

github llama.cpp · há 4 h · 1 visualização

llama.cpp b10201 melhora flash attention para KV quantizado em contextos longos

O projeto llama.cpp lançou a versão b10201, que inclui uma melhoria chave no backend ggml-webgpu. Esta atualização melhora o desempenho do flash attention ao lidar com caches de chave-valor quantizados durante a geração de contexto longo.

github llama.cpp · há 19 h · 1 visualização

llama.cpp b10198 adiciona suporte Vulkan para concatenação quantizada

O projeto llama.cpp lançou a compilação b10198, que introduz suporte para operações de concatenação quantizada dentro do backend Vulkan.

github llama.cpp · há 2 d · 1 visualização

llama.cpp b10180 adiciona caminho rápido contíguo e matemática de índice de 32 bits para operações unárias SYCL

O projeto llama.cpp lançou a compilação b10180, introduzindo otimizações de desempenho para o backend SYCL. A atualização implementa um caminho rápido contíguo e altera a matemática de índice elemento a elemento para usar fastdiv com inteiros de 32 bits.

github llama.cpp · há 4 d · 3 visualizações

llama.cpp b10155 adiciona suporte de áudio MiMo-V2.5

O projeto llama.cpp lançou a compilação b10155, que introduz suporte para o modelo de entrada de áudio MiMo-V2.5. Esta atualização inclui um conversor GGUF para áudio MiMo e implementa a lógica do backend em C++ necessária para lidar com modelos de áudio baseados em RVQ.