O SDK Python para o Protocolo de Contexto do Modelo (MCP) lançou a versão 1.30.0, uma atualização de manutenção para a linha 1.x que introduz padrões de segurança mais rigorosos e novas opções de configuração.
A Nvidia anunciou oficialmente sua intenção de adquirir a plataforma de aprendizado de máquina Hugging Face em um acordo avaliado em 12,9 bilhões de dólares.
O Leaderboard Open TTS foi lançado para abordar a fragmentação e a falta de padronização na avaliação de Text-to-Speech (TTS), utilizando métricas objetivas em vez de depender exclusivamente de pontuações lentas de preferência humana baseadas em arenas. Ele avalia modelos quanto à inteligibilidade, velocidade e similaridade do locutor usando embeddings Qwen3 ASR e WavLM.
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).
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.
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.
A H Company lançou o Holo4, uma família de modelos de visão e linguagem generalistas para uso de computador, projetados para clicar, digitar, escrever código e chamar ferramentas em ambientes de desktop, web, Android e API. O lançamento inclui dois tamanhos de modelo: Holo4 27B (denso) e Holo4 35B-A3B (Mixture of Experts com 3B parâmetros ativos), ambos suportando uma janela de contexto de 256K.
A IQuest lançou o IQuest-Q1, um modelo Mixture-of-Experts (MoE) projetado para codificação agêntica, raciocínio e uso de ferramentas em múltiplos passos. O modelo compreende aproximadamente 320 bilhões de parámetros totais, com cerca de 15 bilhões de parámetros ativados por token. Está disponível no Hugging Face.
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.
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.
A versão llama.cpp b11228 introduz suporte para preenchimento esquerdo e circular na operação GGML_OP_PAD do backend do Metal, alinhando-a com as implementações de CPU, CUDA e Vulkan. Essa correção resolve problemas de preenchimento à direita em fontes permutadas e garante comportamento consistente entre diferentes backends de hardware.
A versão llama.cpp b11224 aborda resultados de cálculo incorretos no backend Vulkan quando operações de multiplicação de matriz leem fatias de tensores maiores e com stride, como caches KV.
Em 27 de setembro, o Claude Opus 5 e o modelo Tetsu de 3B identificaram seis verificações de integração contínua separadas em seu repositório público que foram marcadas como verdes ou aprovadas, apesar de não verificarem o que deveriam medir. Os problemas variavam desde um gate de implantação que recusava reinicializações válidas devido a digests desatualizados até benchmarks de tempo com limiares vazios que aceitavam diferenças de desempenho insignificantes.
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.
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.
O projeto llama.cpp lançou a versão b11214, que inclui uma atualização chave para o backend HIP. Este lançamento habilita o kernel fattn-mma nas arquiteturas CDNA quando dkq é maior que 256, focado especificamente em melhorias de desempenho para grandes tamanhos de lote.
O projeto llama.cpp lançou a compilação b11207, que introduz suporte para operações GET_ROWS com tiles Q4_0 e Q8_0 no backend do Hexagon. Esta atualização também inclui correções em macros, transbordos de registradores e o pipeline DMA, além de melhorias na lógica de seleção de kernels e a reativação da vetorização.
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.
O projeto llama.cpp lançou a compilação b11184, introduzindo novos kernels de Transformada Rápida de Walsh-Hadamard (FWHT) para o backend Metal que suportam larguras de bloco maiores que 512. Anteriormente, a implementação do FWHT no Metal era limitada a larguras entre 64 e 512.
O projeto llama.cpp lançou uma correção para falhas de operadores e problemas de compilação no MUSA (MTT S5000), direcionado especificamente à arquitetura PH1. Esta atualização corrige bugs críticos que causavam resultados incorretos ou timeouts neste hardware.