github llama.cpp · 17 ч назад · inference

llama.cpp b11309 оптимизирует ALLREDUCE для Hexagon с безопасным режимом scatter

Переведено с English → Русский

Проект llama.cpp выпустил версию b11309, включающую ключевую оптимизацию для бэкенда Hexagon. Это обновление добавляет поддержку безопасного режима scatter в операцию ALLREDUCE, направленную на улучшение производительности и стабильности на устройствах Qualcomm Snapdragon.

Оптимизирует ALLREDUCE для Hexagon путем добавления поддержки безопасного режима scatter.
Переписывает реализацию hex-allreduce для устранения переполнения регистров.
Уменьшает избыточное количество комментариев в коде hex-allreduce.
Предоставляет бинарные файлы для macOS (Apple Silicon и Intel), Linux, Windows, Android и openEuler для бэкендов CPU, GPU и NPU.

Это обновление обеспечивает более эффективное распределенное выполнение выводов на мобильном оборудовании с NPUs Hexagon при сохранении широкой совместимости с основными настольными и мобильными операционными системами.

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

Оригинал

Похожие статьи

github llama.cpp · 1 д назад · 7 просмотров

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 · 2 д назад · 4 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 · 2 д 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 · 3 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 · 3 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.