github llama.cpp · 2 д назад · inference

llama.cpp b10950 добавляет резервный режим CUDA F32 для устройств без поддержки BF16

Переведено с English → Русский

Проект llama.cpp выпустил версию b10950, внедряя критическое обновление в свой бэкенд ggml-cuda. Этот релиз обеспечивает совместимость с оборудованием, не имеющим нативного ускорения BFloat16, за счёт переключения на точность FP32.

Бэкенд CUDA теперь переходит на F32 на устройствах без аппаратного ускорения BF16 для Nvidia (>= AMPERE) и AMD (>= RDNA3 или = CDNA).
Логика, ранее применявшаяся к другим архитектурам, была расширена и на GPU NVIDIA.
Бинарные файлы предоставляются для macOS, Linux, Windows, Android и openEuler для бэкендов CPU, CUDA, Vulkan, ROCm, OpenVINO и SYCL.

Это изменение позволяет пользователям со старыми или специфическими архитектурами GPU запускать модели без ошибок совместимости оборудования.

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

Оригинал

Похожие статьи

github llama.cpp · 1 ч назад · 1 просмотр Live

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.