github llama.cpp · 1 ч назад · inference

llama.cpp b10988 добавляет выбор умножения матриц экспертов MoE через OpenCL для спекулятивного декодирования

Переведено с English → Русский

Проект llama.cpp выпустил сборку b10988, внося изменения в бэкенд OpenCL специально для моделей Mixture of Experts (MoE). Обновление реализует логику выбора умножения матриц экспертов MoE на основе размера пакета во время спекулятивного декодирования и предсказания нескольких токенов.

Блокировать предварительно собранную операцию GEMM q4_0 MoE в зависимости от количества маршрутизации.
Прекратить запись нулей в заполненные слои активации MoE для повышения эффективности.
Предоставить бинарные файлы для macOS, Linux, Windows, Android и openEuler для платформ CPU, CUDA, ROCm, Vulkan, OpenVINO, SYCL и Adreno.

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

Оригинал

Похожие статьи

github llama.cpp · 5 ч назад · 1 просмотр

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 · 6 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 · 8 ч назад · 4 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 · 9 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 · 23 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.