github llama.cpp · há 20 h · inference

llama.cpp b10701 corrige decodificação especulativa de DFlash2 NVFP4

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a compilação b10701, que inclui uma correção para os modelos rascunho DFlash2 NVFP4. A atualização aborda um problema em que esses modelos produziam quase nenhum token especulativo aceito.

Passa as escalas NVFP4 ausentes para as operações de atenção no pull request #28000.
Garante que as escalas de projeção Q, K, V e de saída sejam passadas corretamente para as operações de grafo correspondentes.

Esta alteração restaura a funcionalidade adequada para os modelos DFlash2 NVFP4 corrigindo a propagação de escalas necessária para a decodificação especulativa.

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

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 4 h · 3 visualizações

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

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

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

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

pipecat-ai lança phonellm-alpha-1 com desempenho GPT 5.6 Terra