github llama.cpp · há 5 d · inference

llama.cpp b11205 adiciona suporte CUDA para o tamanho de estado Puzzle de 96 do Nemotron 3

Traduzido do English → Português (BR)

O projeto llama.cpp lançou a versão b11205, que introduz uma atualização específica em seu backend CUDA. Este lançamento adiciona suporte ao tamanho de estado Puzzle de 96 do Nemotron 3 dentro da implementação de varredura SSM.

A atualização permite lidar com modelos Nemotron 3 com um tamanho de estado puzzle de 96 em hardware CUDA.
Binários estão disponíveis para macOS (Apple Silicon e Intel), Linux (CPU, Vulkan, CUDA, ROCm, OpenVINO, SYCL, Snapdragon), Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android e iOS.
O lançamento inclui binários de UI padrão junto com os executáveis específicos da plataforma.

Esta atualização permite que os usuários executem modelos Nemotron 3 com tamanhos de estado específicos em GPUs NVIDIA compatíveis usando llama.cpp.

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

Ler original

AiiStream Q3.6 permite executar Qwen3.6-35B-A3B em Macs com 8-16 GB de RAM

O autor lançou o AiiStream Q3.6, uma técnica de código aberto que permite que o modelo Qwen3.6-35B-A3B seja executado em dispositivos Apple Silicon com apenas 8 a 16 GB de RAM. Ao manter os especialistas roteados no SSD e usar previsões de carregamento antecipado, o método reduz o uso de memória do MLX para aproximadamente 1,7 GB, mantendo saídas idênticas ao nível de bytes em comparação com a implementação padrão do mlx_lm.

github llama.cpp · há 22 h · 1 visualização

llama.cpp b11307 preserva a ordem do lote para decodificação especulativa

O projeto llama.cpp lançou a compilação b11307, que corrige a ordem de entrada das camadas para preservar a sequência original do lote durante a decodificação especulativa. Esta alteração garante que a ordem dos tokens seja mantida corretamente para os embeddings NextN não mascarados e seja compatível com divisões de tensores.

github llama.cpp · há 1 d · 1 visualização

llama.cpp b11301 corrige estouro inteiro em ggml/gguf

O projeto llama.cpp lançou a compilação b11301, que inclui uma correção para um problema de estouro inteiro nos componentes ggml e gguf. Esta atualização aborda a lógica de validação para prevenir erros potenciais ao lidar com tensores de zero elementos.

github llama.cpp · há 1 d · 3 visualizações

llama.cpp b11302 corrige corrida de dados do ThreadSanitizer no indexador esparsa

O projeto llama.cpp lançou a compilação b11302, que aborda um problema crítico de concorrência identificado pelo ThreadSanitizer no pipeline de CI. A atualização resolve uma corrida de dados dentro do mecanismo de atenção esparsa onde vários threads da CPU estavam gravando incorretamente nos mesmos elementos de memória.

github llama.cpp · há 1 d · 2 visualizações

llama.cpp b11298 adiciona suporte a dflash para conversão e extração de recursos

O projeto llama.cpp lançou a compilação b11298, que introduz suporte ao formato dflash. Esta atualização permite tanto a conversão de modelos para este formato quanto a capacidade subsequente de extração de recursos.