github llama.cpp · há 3 d · inference

llama.cpp b11216 adiciona kernels FWHT de SYCL para larguras de bloco acima de 512

Traduzido do English → Português (BR)

O lançamento llama.cpp b11216 introduz kernels da Transformada Rápida de Walsh-Hadamard (FWHT) no backend SYCL que suportam larguras de bloco maiores que 512. Anteriormente, larguras maiores recuavam para uma GEMM densa com complexidade O(n^2); esta mudança permite desempenho O(n log n) para esses tamanhos.

A nova implementação `fwht_kernel_wide` executa uma linha por work-group e usa memória local e registradores para otimizar as operações borboleta.
Suporta larguras de bloco de 1024, 2048, 4096 e 8192 por meio da construção Kronecker/Paley.
O lançamento inclui binários para macOS, Linux, Windows, Android e openEuler em backends de CPU, GPU e NPU.
A verificação foi realizada usando um harness independente em um dispositivo SYCL de CPU Intel oneAPI DPC++ 2026.1, confirmando a correção contra uma implementação de referência.

Esta atualização melhora a eficiência computacional para tamanhos de bloco grandes em ambientes SYCL enquanto mantém a compatibilidade com configurações de hardware existentes.

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

Artigos relacionados

github llama.cpp · há 10 h · 2 visualizações

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.