github llama.cpp · agora mesmo · inference

llama.cpp b10727 adiciona suporte a concat para tipos quantizados

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a compilação b10727, que introduz suporte à concatenação para tipos de dados quantizados. Esta atualização é assistida pelo DeepSeek-V4-Flash-0731 e inclui binários para macOS, Linux, Windows, Android e openEuler em vários backends de hardware, incluindo CPU, CUDA, ROCm e Vulkan.

A versão fornece binários pré-compilados para múltiplas plataformas e arquiteturas:

macOS Apple Silicon (arm64) e Intel (x64)
iOS via XCFramework
Distribuições Linux incluindo Ubuntu x64, arm64, s390x e variantes com suporte a Vulkan, ROCm 7.14, OpenVINO e SYCL
Windows x64 e arm64 com opções de CPU, OpenCL Adreno, CUDA 12/13, Vulkan, OpenVINO, SYCL e ROCm 7.14
Android arm64 (CPU)
Configurações openEuler x86 e aarch64

Esta versão permite que os usuários utilizem a nova funcionalidade de concat quantizada em uma ampla gama de sistemas operacionais e aceleradores de hardware suportados.

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

Ler original

llama.cpp b10726 acelera o processamento de prompts de modelos IQ em grandes lotes com AVX2

O projeto llama.cpp lançou a versão b10726, que introduz otimizações significativas de desempenho para processar tamanhos de lote grandes em modelos quantizados IQ. A atualização principal aproveita as instruções AVX2 para acelerar os quants IQ de grade por meio de operações GEMM em lote.

github llama.cpp · há 4 h · 2 visualizações

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

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.

github llama.cpp · há 7 h · 1 visualização

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 9 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 15 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.