github llama.cpp · 13 ч назад · inference

llama.cpp b10706 добавляет поддержку SWIGLU_CLAMP и шейдеров Vulkan

Переведено с English → Русский

Проект llama.cpp выпустил сборку b10706, внедряя новый функционал в бэкенд ggml. Это обновление включает добавление SWIGLU_CLAMP и новую реализацию шейдера Vulkan.

ggml: добавить SWIGLU_CLAMP
добавить шейдер vulkan

Этот релиз предоставляет предварительно собранные двоичные файлы для macOS, Linux, Windows, Android и openEuler на различных аппаратных бэкендах, включая CPU, CUDA, ROCm, OpenVINO, SYCL и OpenCL.

Важность 1/3 Доверие 1/3 llama.cpp Inference efficiency Local inference

Оригинал

llama.cpp b10721 исправляет сбой WebGPU и добавляет поддержку CUDA 13.4 для Windows

Проект llama.cpp выпустил сборку b10721, которая включает критическое исправление для бэкенда WebGPU и расширяет поддержку оборудования на Windows.

github llama.cpp · 2 ч назад

llama.cpp b10718 расширяет слияние MOE на specdec и многотокенный режим

Проект llama.cpp выпустил версию b10718, которая включает значительное обновление бэкенда CUDA. Наиболее заметным изменением является расширение слияния Mixture of Experts (MOE) для поддержки спекулятивного декодирования (specdec), что устраняет предыдущие ограничения, при которых слияние MOE glu и topk-router было ограничено обработкой только одного токена за раз.

github llama.cpp · 5 ч назад · 1 просмотр

llama.cpp b10715 объединяет кодировщик DFlash с инъекцией KV-кэша

Проект llama.cpp выпустил сборку b10715, которая включает ключевую оптимизацию реализации DFlash. Кодировщик DFlash теперь напрямую объединён с процессом инъекции в KV-кэш во время декодирования.

github llama.cpp · 7 ч назад · 1 просмотр

llama.cpp b10714 настраивает строки mat-vec Vulkan для Strix Halo

Проект llama.cpp выпустил сборку b10714, включающую специфические оптимизации для бэкенда Vulkan, ориентированные на оборудование AMD Strix Halo. Обновление корректирует количество строк умножения матрицы на вектор для улучшения производительности при пакетном выводе.

github llama.cpp · 13 ч назад · 9 просмотров

llama.cpp b10707 оптимизирует сканирование ячеек KV-кэша для ускорения генерации

Проект llama.cpp выпустил версию b10707, включающую оптимизацию производительности обработки ключ-значительного (KV) кэша. Обновление изменяет функцию `for_each_token_in`, чтобы прекратить сканирование после того, как все последовательности в конкретной ячейке были просмотрены, вместо итерации по всем возможным максимальным последовательностям.