github llama.cpp · agora mesmo · inference

llama.cpp b10723 ajusta caminhos de quantização OpenCL para GPUs Intel Xe-LP

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b10723, que inclui otimizações específicas para OpenCL em hardware gráfico Intel Xe-LP. A atualização foca em melhorar o desempenho de geração de tensores (TG) e pré-preenchimento (PP) ajustando os kernels de quantização.

Operações mul_mv Q4_K e Q5_K foram ajustadas para aumentar os valores N_DST, permitindo reuso 2x de ativações em dispositivos Intel.
Configurações de tiles 8x8 foram implementadas para as operações mul_mm Q4_K e Q5_K especificamente para arquiteturas Intel.
O N_DST foi aumentado de 8 para 16 para mul_mv Q4_K para otimizar ainda mais o manuseio de dados.

Este lançamento fornece binários atualizados para macOS, Linux, Windows, Android e iOS em vários backends incluindo CUDA, Vulkan, ROCm e SYCL.

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 5 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 11 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 18 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 19 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.