github llama.cpp · agora mesmo · inference

llama.cpp b11132 adiciona suporte ao backbone de rascunho Gemma 4 DSpark

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b11132, introduzindo suporte ao backbone de rascunho Gemma 4 DSpark. Esta atualização habilita a conversão GGUF e capacidades em tempo de execução para rascunhos Gemma 4 com atenção completa e SWA, incluindo pesos de saída vinculados e metadados do backbone booleanos.

Adicionado suporte dspark para modelos de rascunho Gemma 4 com variantes de atenção completa e SWA.
Implementada a inferência de características de rascunho Gemma a partir de metadados via mecanismo dflash.
Lançados binários para macOS (Apple Silicon e Intel), Linux (CPU, Vulkan, CUDA, ROCm, OpenVINO, SYCL, Snapdragon), Windows (CPU, OpenCL, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android e iOS.

Este lançamento permite que os usuários utilizem modelos Gemma 4 dentro do ecossistema llama.cpp em uma ampla gama de plataformas de hardware.

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 19 h · 13 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 22 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 1 d · 12 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 1 d · 13 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.