github llama.cpp · 3 д назад · inference

llama.cpp b11214 включает ядро fattn-mma для CDNA при больших размерах батча

Переведено с English → Русский

Проект llama.cpp выпустил версию b11214, содержащую важное обновление для бэкенда HIP. Этот релиз активирует ядро fattn-mma на архитектурах CDNA при dkq > 256, целенаправленно улучшая производительность для больших размеров батча.

Бэкенд HIP теперь поддерживает ядро fattn-mma для dkq > 256 на оборудовании CDNA.
Проверки CI для hip-quality-check обновлены: пропуски игнорируются для очень больших ядер mfma mma.
Бинарные файлы предоставлены для macOS (Apple Silicon и Intel), Linux (CPU, Vulkan, CUDA, ROCm, OpenVINO, SYCL, Snapdragon), Windows (CPU, CUDA, Vulkan, OpenVINO, SYCL, ROCm), Android и openEuler.

Это обновление позволяет пользователям llama.cpp на GPU AMD CDNA использовать оптимизированные ядра внимания для больших размеров батча.

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

Оригинал

Похожие статьи

github llama.cpp · 11 ч назад · 2 просмотра

llama.cpp добавляет поддержку GLM-5.3-Flash с исправлениями k-pool и MTP

Проект llama.cpp добавил начальную поддержку архитектуры модели GLM-5.3-Flash (GLM5-Next), включая миграцию на гибридную индексацию памяти и ранние возможности Multi-Token Prediction (MTP).

github llama.cpp · 20 ч назад · 2 просмотра

llama.cpp b11266 загружает матрицу F32 A по 2 элемента за раз для Vulkan на Intel

Проект llama.cpp выпустил сборку b11266, которая включает оптимизацию Vulkan, загружающую матрицы F32 A по два элемента за раз, когда они выровнены по границе 2. Это изменение решает проблемы производительности на оборудовании Intel, где последовательная загрузка чисел с плавающей точкой неэффективна, а также исправляет отсутствующую проверку выравнивания `a_offset` в исходном патче.

github llama.cpp · 22 ч назад · 1 просмотр

llama.cpp b11265 исправляет выбор тайлов MOE matmul в Vulkan

Выпуск llama.cpp b11265 включает исправление обработки моделей Mixture of Experts (MoE) бэкендом Vulkan. Обновление корректирует, как `mat_mul_id` выбирает тайлы матричного умножения, устраняя проблему производительности, при которой рабочие потоки оставались простаивать во время диспетчеризации.

github llama.cpp · 2 д назад · 4 просмотра

llama.cpp b11238 добавляет ggml_pad_ext для левого дополнения и пропускает отводы DFlash2

Проект llama.cpp выпустил сборку b11238, внедрив унифицированную реализацию левого дополнения через новую функцию `ggml_pad_ext`. Это изменение объединяет предыдущие методы, используемые аудиоэнкодерами, такими как Parakeet, LFM2-Audio, Granite Speech и Gemma 4, обеспечивая битово идентичные эмбеддинги для Gemma 4 и одновременно упрощая поддержку бэкендов.

github llama.cpp · 2 д назад · 5 просмотров

llama.cpp b11232 включает tiled flash attention для x86

Проект llama.cpp выпустил сборку b11232, включающую обновления бэкенда ggml-cpu. Релиз сосредоточен на включении tiled flash attention для измерений голов без кратности вектору на архитектурах x86.