github llama.cpp · há 4 d · inference

llama.cpp b11047 corrige corrupção do CUB argsort no CUDA

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b11047, que inclui uma correção crítica para a corrupção do CUB argsort causada por chaves in-place. O problema surgiu porque `argsort_f32_i32_cuda_cub` chamou `DeviceRadixSort::SortPairs` com buffers de chave de entrada e saída aliasados, fazendo com que o ping-pong de double-buffer interno do CUB sobrescrevesse sua própria entrada durante a passagem.

Este bug resultou em permutações corrompidas e índices lixo intermitentes, particularmente em GPUs Maxwell com CUDA 12.5 e CCCL 2.x, o que subsequentemente disparou gathers fora de limites nas operações `get_rows` downstream. A correção garante que todos os seis pontos de chamada (plain e segmented, ascending e descending, size-query e execute) usem buffers keys-out distintos.

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

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

Ler original

llama.cpp b11122 estende a fusão MMVQ GLU e adiciona novas fusões SYCL

O projeto llama.cpp lançou a versão b11122, que inclui atualizações significativas para o backend SYCL. O lançamento estende a fusão MMVQ GLU para suportar tipos de quantização mistos e introduz novas fusões para as operações rms_norm+scale e ssm_conv+silu.

github llama.cpp · há 14 h · 11 visualizações

llama.cpp b11111 adiciona kernels de otimização flash attention para Intel Xe

O projeto llama.cpp lançou a compilação b11111, que introduz kernels de otimização flash attention baseados em Vulkan para caminhos split k nas arquiteturas Xe-LPG Plus, Xe2 e Xe3.

github llama.cpp · há 17 h · 9 visualizações

llama.cpp adiciona suporte a DFlash para HunyuanOCR e corrige conversão de rascunho

O projeto llama.cpp adicionou suporte à decodificação especulativa DFlash com o modelo HunyuanOCR, expondo tensores de entrada das camadas no grafo alvo. Essa alteração permite que o modelo de rascunho leia os fluxos residuais, possibilitando que solicitações de imagem sejam executadas com sucesso, apresentando uma taxa de aceitação de rascunho de aproximadamente 0,5 e saída OCR idêntica em bytes em comparação às execuções não especulativas.

github llama.cpp · há 20 h · 11 visualizações

lançamento b11101 do llama.cpp permite chamadas repetidas de find_package para llama

O projeto llama.cpp lançou a versão b11101, que inclui uma correção no sistema de compilação permitindo chamadas repetidas de find_package para a biblioteca llama.

lab Hugging Face Blog · há 21 h · 10 visualizações

Transformers adiciona suporte a GGUF por meio de kernels ggml para inferência local

A biblioteca Transformers do Hugging Face agora suporta o carregamento de modelos quantizados em GGUF, aproveitando os kernels ggml subjacentes para trazer o desempenho próximo ao do llama.cpp. Essa integração permite que desenvolvedores executem checkpoints quantizados diretamente na API padrão baseada em PyTorch em hardware compatível.