github llama.cpp · há 4 d · inference

llama.cpp b11195 adiciona mul_mat em blocos para k-quants com aceleração de 3 a 6x

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b11195, introduzindo uma implementação de multiplicação matricial em blocos para k-quants no backend da CPU. Essa alteração descompacta os dados quantizados em tiles int8 de 256x256 e computa os resultados usando microkernels para melhorar o desempenho em operações com matrizes grandes.

mul_mat em blocos fornece uma aceleração de 3 a 6x para multiplicações matriciais grandes, com ponto de equilíbrio nas dimensões 4096x64 * 64x4096.
As taxas de erro permanecem insignificantes, com erros máximos em torno de 1-e04 e RMSE em torno de 1-e05.
A atualização inclui correções para compilações ARM e Windows, suporte unificado ao IQP para benchmarks Q5_K e IQ4_XS, e kernels AVX2 otimizados.

A atualização melhora a velocidade de inferência para operações com matrizes grandes enquanto mantém a precisão numérica nas plataformas suportadas.

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

Ler original

llama.cpp adiciona suporte para GLM-5.3-Flash com correções de k-pool e MTP

O projeto llama.cpp adicionou suporte inicial para a arquitetura do modelo GLM-5.3-Flash (GLM5-Next), incluindo migração para memória de índice híbrido e capacidades iniciais de Multi-Token Prediction (MTP).

github llama.cpp · há 19 h · 2 visualizações

llama.cpp b11266 carrega a matriz A F32 de 2 em 2 para Vulkan na Intel

O projeto llama.cpp lançou a compilação b11266, que inclui uma otimização do Vulkan que carrega as matrizes A F32 dois elementos por vez quando estão alinhadas a 2. Essa alteração corrige problemas de desempenho no hardware da Intel, onde carregar floats um por um é ineficiente, e também corrige uma validação ausente para o alinhamento de `a_offset` no patch original.

github llama.cpp · há 21 h · 1 visualização

llama.cpp b11265 corrige seleção de tiles de matmul MOE no Vulkan

O lançamento llama.cpp b11265 inclui uma correção para o tratamento de modelos Mixture of Experts (MoE) pelo backend do Vulkan. A atualização corrige como `mat_mul_id` seleciona os tiles de multiplicação de matrizes, abordando um problema de desempenho onde os workers ficavam ociosos durante o despacho.

github llama.cpp · há 2 d · 4 visualizações

llama.cpp b11238 adiciona ggml_pad_ext para preenchimento à esquerda e ignora taps do DFlash2

O projeto llama.cpp lançou a compilação b11238, introduzindo uma implementação unificada de preenchimento à esquerda por meio da nova função `ggml_pad_ext`. Essa alteração consolida os métodos anteriores usados por codificadores de áudio como Parakeet, LFM2-Audio, Granite Speech e Gemma 4, garantindo embeddings bit a bit idênticos para o Gemma 4 enquanto simplifica o suporte ao backend.

github llama.cpp · há 2 d · 5 visualizações

llama.cpp b11232 habilita flash attention em blocos no x86

O projeto llama.cpp lançou a compilação b11232, que inclui atualizações para o backend ggml-cpu. O lançamento foca em habilitar flash attention em blocos para dimensões de cabeça não múltiplas do vetor em arquiteturas x86.