github llama.cpp · há 1 h · inference

llama.cpp b10614 adiciona divisão de fonte por operação do Metal e compilação paralela

Traduzido do English → Português (BR)

O lançamento llama.cpp b10614 introduz uma mudança arquitetural significativa no backend do Metal ao dividir as fontes das operações e habilitar a compilação paralela. Esta atualização também inclui várias implementações de kernel novas e suporte para formatos de quantização adicionais.

Dividir metallib em 8 bibliotecas e carregá-las em paralelo para melhorar os tempos de build.
Adicionar operação col2im_1d suportando tipos de dados f32, f16 e bf16.
Implementar suporte CONV_2D_DW (convolução profunda) para Metal.
Adicionar suporte ao formato de quantização Q2_0.
Fundir operações de ativação snake (mul, sin, sqr, mul, add).
Introduzir kernel FWHT para o backend do Metal.

Este lançamento fornece binários pré-compilados para macOS, iOS, Linux, Windows, Android e openEuler através de CPU, GPU e vários backends de aceleradores.

Importância 1/3 Confiança 1/3 llama.cpp Hugging Face Inference efficiency

Ler original

llama.cpp b10610 encurta a nomenclatura de dispositivos virtuais no CUDA e Metal

O projeto llama.cpp lançou a versão b10610, que inclui uma alteração para encurtar a nomenclatura de dispositivos virtuais dentro do backend ggml tanto para as plataformas CUDA quanto Metal.

github llama.cpp · há 13 h · 17 visualizações

llama.cpp b10605 achata projeções mamba2 para despachar GEMM

O projeto llama.cpp lançou a compilação b10605, que inclui uma otimização chave para a arquitetura Mamba2. A atualização achata as projeções de entrada e saída dos modelos Mamba2 para despachar operações de Multiplicação Geral de Matrizes (GEMM) em vez de operações de Multiplicação Geral de Matriz por Vetor (GEMV).

github llama.cpp · há 1 d · 13 visualizações

llama.cpp b10603 adiciona suporte MTP para GLM-4.5-Air

O projeto llama.cpp lançou a compilação b10603, que introduz o suporte à Predição de Múltiplos Tokens (MTP) para o modelo GLM-4.5-Air.

github llama.cpp · há 3 d · 5 visualizações

ggml otimiza a operação de concatenação substituindo memcpy por elemento por memcpy em nível de linha

A biblioteca ggml otimizou sua operação de concatenação substituindo cópias de memória por elemento por operações de memcpy em nível de linha. Esta mudança faz parte da versão b10578 do llama.cpp, que inclui vários binários específicos de plataforma e atualizações no grafo de computação subjacente.

github llama.cpp · há 3 d · 3 visualizações

llama.cpp b10576 adiciona kernels MMVQ reordenados Q2_K e ESIMD para SYCL

O projeto llama.cpp lançou a compilação b10576, que readiciona os kernels MMVQ reordenados Q2_K e ESIMD para suporte a SYCL. Esta alteração reverte efetivamente um commit anterior que havia removido essas implementações específicas de kernels.