media Hugging Face Forums · há 4 d · open_models

loo5x lança llama-modes v0.4.0 para inferência estruturada no llama.cpp

Traduzido do English → Português (BR)

loo5x lançou o llama-modes v0.4.0, um fork do llama.cpp que permite carregar um único modelo GGUF uma vez para realizar múltiplos modos de inferência estruturada sem trocar modelos ou adicionar classificadores.

O modo BOOLEAN pontua diretamente respostas Sim/Não.
O modo CHOICE pontua candidatos arbitrários fornecidos, incluindo rótulos de múltiplos tokens.
O modo SCALE avalia escalas ordinais ou de intervalo, retornando distribuições discretas e estatísticas derivadas como mediana ou valor esperado.
O projeto inclui uma versão CUDA para Windows, uma demonstração local com React e documentação da API.

Essa abordagem permite que desenvolvedores reutilizem os mesmos pesos do modelo na memória para diferentes primitivas de inferência, expondo a pontuação estruturada diretamente de modelos de linguagem locais comuns.

Importância 1/3 Confiança 1/3 Hugging Face Forums 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.