github llama.cpp · 2 д назад · inference

llama.cpp b10937 применяет правило выравнивания строк без перемешивания к форматам q4_K, q5_K и q8_0

Переведено с English → Русский

Проект llama.cpp выпустил версию b10937, которая расширяет правило OpenCL для выравнивания строк без перемешивания на форматы квантования q4_K, q5_K и q8_0. Ранее это правило применялось только к q6_K.

Изменение решает проблему совместимости с OpenCL для определённых типов квантования.
Бинарные файлы предоставляются для macOS (Apple Silicon и Intel), Linux (CPU, Vulkan, ROCm, OpenVINO, SYCL), Android, Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm) и openEuler.
В релиз также включены iOS XCFramework и сборка пользовательского интерфейса.

Важность 1/3 Доверие 1/3 llama.cpp Hugging Face Inference efficiency

Оригинал

llama.cpp b10984 добавляет поддержку CUDA для SUM_ROWS с непрерывным расположением строк

Проект llama.cpp выпустил версию b10984, добавляющую поддержку CUDA для операций SUM_ROWS с непрерывным расположением строк. Это обновление также организует код для включения GGML_OP_MEAN для обработки тензоров с непрерывным расположением строк через общее ядро.

github llama.cpp · 2 ч назад · 1 просмотр

llama.cpp b10985 ограничивает RPC hash-кэш только весами

Проект llama.cpp выпустил сборку b10985, которая изменяет RPC-бэкенд, чтобы ограничить хеш-кэширование исключительно тензорами весов. Это изменение решает проблему, когда данные активации ненужно хешировались и сохранялись, что приводило к чрезмерному использованию диска.

github llama.cpp · 4 ч назад · 2 просмотра

llama.cpp b10981 исправляет декодирование с состоянием для Gemma-4 и оптимизирует GPU MoE вывод

Выпуск llama.cpp b10981 устраняет критические проблемы корректности в пути декодирования с состоянием бэкенда OpenVINO, конкретно исправляя поддержку моделей вроде Gemma-4, использующих размеры голов на слой. Он также вносит оптимизации для вывода GPU Mixture of Experts (MoE) и улучшает производительность через перераспределение состояния KV.

github llama.cpp · 5 ч назад · 1 просмотр

llama.cpp добавляет ядра Metal FA для HSK=96, HSV=64 MiniCPM3

Проект llama.cpp добавил поддержку ядра Flash Attention (FA) для конкретной конфигурации, используемой в MiniCPM3 на Apple Silicon. Это изменение устраняет сбой, при котором флаг `-fa auto` завершался ошибкой из-за отсутствия инициализации ядра для длины ключа внимания 96 и длины значения 64.

github llama.cpp · 19 ч назад · 3 просмотра

Выпуск llama.cpp b10970 использует накопление fp32 на устройствах MFMA

Проект llama.cpp выпустил версию b10970, которая включает техническое обновление бэкенда fattn-mma. Это изменение реализует использование аккумуляторов fp32 специально для устройств архитектуры CDNA.