github llama.cpp · agora mesmo · inference

llama.cpp b10905 ajusta Flash Attention para AMD RDNA4 e revisa a lógica de stream-k

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a compilação b10905, que inclui um ajuste específico do Flash Attention para CUDA/HIP na arquitetura gfx1201. Esta atualização foca em otimizar o desempenho para GPUs AMD RDNA4.

HIP: Habilita Flash Attention acelerado por multiplicação de matrizes (mma) para tamanho de cabeça 256 no RDNA4 e ajusta as configurações associadas.
HIP: Prefere grades de Flash Attention de tile completo sobre stream-k em arquiteturas AMD WMMA.
Revisada a lógica do stream_k para melhorar o fluxo de execução.
Revisada a lógica de seleção de kernel para melhor direcionamento de hardware.

O lançamento fornece binários para macOS, Linux, Windows, Android e openEuler através de vários backends incluindo CPU, CUDA, ROCm, Vulkan, OpenVINO, SYCL e OpenCL.

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

Ler original

llama.cpp b10888 adiciona rótulos de depuração de buffer de comandos para profilers de GPU

O projeto llama.cpp lançou a compilação b10888, que inclui um novo recurso para adicionar rótulos de depuração de buffer de comandos para profilers de GPU no backend Vulkan.

github llama.cpp · há 1 d · 1 visualização

llama.cpp b10886 adiciona suporte a intrínsecos vetoriais Q1_0 para s390x

O projeto llama.cpp lançou a compilação b10886, que introduz o suporte a intrínsecos vetoriais Q1_0 para a arquitetura s390x. Esta atualização inclui a implementação de `ggml_vec_dot_q1_0_q8_0` e atualiza a documentação para refletir a nova capacidade.

github llama.cpp · há 2 d · 2 visualizações

llama.cpp b10883 corrige multiplicação de matrizes Vulkan e restaura otimizações Ampere

O projeto llama.cpp lançou a compilação b10883, que inclui atualizações significativas no backend Vulkan. A principal alteração envolve o uso de constantes de especificação para operações de multiplicação matriz-matriz tipo A para melhorar a compilação e o desempenho dos shaders.

github llama.cpp · há 2 d · 5 visualizações

llama.cpp b10870 adiciona pipelines de multiplicação matricial f16 tipo B e ajuste do tamanho do tile warp para Intel coopmat1

O projeto llama.cpp lançou a versão b10870, introduzindo suporte Vulkan para pipelines de multiplicação matricial f16 tipo B e ajuste do tamanho do tile warp especificamente para hardware Intel coopmat1.

github llama.cpp · há 2 d · 4 visualizações

llama.cpp b10871 adiciona shader mat-vec iq4_xs dedicado para Vulkan

O projeto llama.cpp lançou a compilação b10871, introduzindo um shader mul_mat_vec_iq4_xs dedicado para o caminho dmmv no Vulkan. Esta alteração substitui a implementação genérica de fallback anterior para melhorar o desempenho em hardware RDNA4.