github llama.cpp · há 2 d · inference

llama.cpp desativa o carregamento preguiçoso de tensores por padrão em GPUs integradas

Traduzido do English → Português (BR)

O projeto llama.cpp desativou o carregamento preguiçoso de tensores por padrão para GPUs integradas (iGPUs) na versão b10867. Esta alteração corrige uma regressão introduzida na configuração anterior do modo "AUTO".

A atualização reverte alterações, exceto ao desativar o carregamento preguiçoso em iGPUs dentro da configuração AUTO.
Corrige uma regressão de iGPU adicionando um ajuste automático específico para o modo lazy mode.
Binários pré-compilados estão disponíveis para macOS, Linux, Windows, Android e openEuler através de CPU, CUDA, Vulkan, ROCm e outros backends.

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

Ler original

llama.cpp b10864 corrige a evicção de checkpoints para modelos híbridos

O projeto llama.cpp lançou a compilação b10864, que inclui uma correção para a lógica de evicção de espaçamento de checkpoints em `create_checkpoint()`. Anteriormente, a regra de evicção mantinha o checkpoint mais antigo e apagava os subsequentes dentro de `checkpoint_min_step`, fazendo com que prompts mais curtos que esse limite perdessem o checkpoint necessário para a retomada. Isso forçava modelos híbridos e recorrentes a reprefijar desnecessariamente a partir do checkpoint anterior.

github llama.cpp · há 3 d · 6 visualizações

llama.cpp b10844 adiciona operações fundidas de hiperconexão Vulkan para DeepSeek-V4

O projeto llama.cpp lançou a versão b10844, introduzindo suporte para operações fundidas de hiperconexão DeepSeek-V4 (DSV4_HC_COMB/PRE/POST) no backend Vulkan. Esta atualização traz o Vulkan ao mesmo nível que CUDA e Metal em relação a essas otimizações específicas.

github llama.cpp · há 3 d · 4 visualizações

llama.cpp b10842 adiciona suporte HIP para gfx90c

O projeto llama.cpp lançou a compilação b10842, que introduz suporte para a arquitetura gfx90c via HIP.

media Hugging Face Forums · há 3 d · 8 visualizações

AI Model Radar é lançado com ajuste de hardware medido para modelos abertos

Um novo site chamado AI Model Radar ajuda os usuários a determinar quais modelos abertos realmente se encaixam em sua GPU ou Mac usando dados medidos em vez de estimativas. A plataforma calcula os tamanhos de pesos com base em arquivos GGUF publicados reais e computa o cache de contexto camada por camada a partir das configurações do modelo.

github llama.cpp · há 3 d · 7 visualizações

llama.cpp b10840 adiciona descompactação sem ramificação Q4_K/Q5_K e prefetch L2 para CUDA

O projeto llama.cpp lançou a versão b10840, que introduz otimizações de desempenho para inferência em CUDA. A atualização implementa computação sem ramificação para os formatos de quantização Q4_K e Q5_K para acelerar a multiplicação matriz-vetor (mmvq).