github llama.cpp · há 1 d · inference

llama.cpp b10690 corrige crash do K cache durante a mudança de contexto

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b10690, que inclui uma correção crítica para caches de chave-valor não quantizados. A atualização impede crashes que ocorriam durante as mudanças de contexto, garantindo que a matriz de Hadamard seja copiada para o tensor k_rot apenas quando ele tiver um buffer atribuído.

Corrige crash no K cache não quantizado durante a mudança de contexto copiando condicionalmente a matriz de Hadamard
Fornece binários para macOS (Apple Silicon e Intel), iOS, Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android e openEuler
Inclui atualizações da interface do usuário e atestações para o lançamento

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

Ler original

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 4 h · 3 visualizações

Lançamento do llama.cpp b10717 melhora a recuperação de informações de memória SYCL

O projeto llama.cpp lançou a versão b10717, que inclui uma melhoria específica para o backend SYCL em GPUs Intel. Esta atualização melhora a capacidade de recuperar informações sobre a memória livre ao aproveitar a API L0 SYCL.

github llama.cpp · há 10 h · 3 visualizações

llama.cpp b10712 adiciona seleção radix top-k Vulkan para Qwen 3.8 Flash Next

O projeto llama.cpp lançou a compilação b10712, introduzindo um novo shader de ordenação radix top-k projetado para Vulkan para suportar valores k maiores ou iguais a 1024. Esta atualização visa especificamente o modelo Qwen 3.8 Flash Next e inclui testes correspondentes, bem como fusão top-k qsa.

github llama.cpp · há 17 h · 6 visualizações

llama.cpp b10705 melhora o tratamento de TENSOR_READ_LAZY

O projeto llama.cpp lançou a versão b10705, que inclui uma melhoria no mecanismo de tratamento de TENSOR_READ_LAZY. Esta atualização força tensores preguiçosos na CPU quando a configuração preguiçosa está habilitada.

github llama.cpp · há 18 h · 4 visualizações

llama.cpp b10702 otimiza o produto interno Q2_0 para AMD gfx1201

O projeto llama.cpp lançou a versão b10702, que inclui uma otimização específica para o caminho do produto interno da quantização Q2_0 na arquitetura gfx1201 da AMD. Esta atualização amplia a implementação do HIP para usar instruções nativas de permutação amdgcn, melhorando o desempenho para esta configuração de hardware específica.