github llama.cpp · há 2 d · inference

llama.cpp b10684 melhora a contabilidade de VRAM do --fit para SYCL

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b10684, que inclui uma correção específica para o backend SYCL para que a flag `--fit` respeite o `--fit-target` com mais precisão.

O algoritmo `--fit` agora leva em conta o VRAM de pico real necessário para um determinado tamanho de contexto nos backends SYCL.
Isso evita erros de falta de memória ao calcular corretamente o uso de VRAM quando o contexto alocado está totalmente utilizado.
Também interrompe cálculos excessivamente conservadores que anteriormente reservavam muito VRAM.
Testes em um Arc b70 com qwen3.8 do unsloth (Q4_K_XL) demonstraram um contexto utilizável de 262144 com KV e MTP em q8_0 usando `--fit-target 1`.

Esta alteração permite que os usuários utilizem contextos maiores em hardware SYCL sem ficar sem memória, evitando ao mesmo tempo o desperdício de VRAM reservado devido a estimativas conservadoras anteriores.

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

Ler original

llama.cpp b10721 corrige falha no WebGPU e adiciona suporte a CUDA 13.4 no Windows

O projeto llama.cpp lançou a compilação b10721, que inclui uma correção crítica para o backend do WebGPU e amplia o suporte de hardware no Windows.

github llama.cpp · há 2 h

llama.cpp b10718 estende a fusão MOE para specdec e multi-token

O projeto llama.cpp lançou a versão b10718, que inclui uma atualização significativa em seu backend CUDA. A mudança mais notável é a extensão da fusão Mixture of Experts (MOE) para suportar decodificação especulativa (specdec), abordando limitações anteriores onde a fusão MOE glu e topk-router era restrita a processar apenas um token por vez.

github llama.cpp · há 5 h · 1 visualização

llama.cpp b10715 funde o codificador DFlash na injeção de cache KV

O projeto llama.cpp lançou a compilação b10715, que inclui uma otimização-chave na implementação do DFlash. O codificador DFlash agora é fundido diretamente no processo de injeção do cache KV durante a decodificação.

github llama.cpp · há 6 h · 1 visualização

llama.cpp b10714 ajusta linhas de mat-vec do Vulkan para Strix Halo

O projeto llama.cpp lançou a compilação b10714, que inclui otimizações específicas para o backend do Vulkan direcionado ao hardware AMD Strix Halo. A atualização ajusta as contagens de linhas de multiplicação de matriz por vetor para melhorar o desempenho durante a inferência em lote.

github llama.cpp · há 12 h · 3 visualizações

llama.cpp b10706 adiciona suporte a SWIGLU_CLAMP e shaders Vulkan

O projeto llama.cpp lançou a compilação b10706, introduzindo nova funcionalidade no backend ggml. Esta atualização inclui a adição de SWIGLU_CLAMP e uma nova implementação do shader Vulkan.