github llama.cpp · há 3 d · inference

llama.cpp b11223 permite RANK pooling batch splitting para rerankers de LLM causais

Traduzido do English → Português (BR)

O servidor llama.cpp agora permite RANK pooling batch splitting para rerankers de LLM causais como Qwen3 e Qwen3-VL, resolvendo limitações anteriores que quebravam o reranking de documentos longos e multimodais.

Anteriormente, o servidor rejeitava entradas de RANK-pooling maiores que n_ubatch, forçando todos os tokens em um único batch físico.
A correção expõe llama_get_causal_attn e llama_model_is_causal para verificar dinamicamente os tipos de atenção em vez de codificar as verificações de arquitetura.
can_split() agora permite chunked prefill para RANK pooling quando o contexto é causal, removendo a lógica duplicada no construtor do grafo.

Esta mudança permite o processamento eficiente de documentos longos e entradas multimodais ao aproveitar as capacidades de chunked prefill inerentes aos modelos causais.

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.