github llama.cpp · 1 ч назад · inference

llama.cpp b11333 добавляет поддержку bfloat16 для WebGPU в операциях MUL_MAT

Переведено с English → Русский

Проект llama.cpp выпустил сборку b11333, которая добавляет поддержку bfloat16 для операций MUL_MAT, MUL_MAT_ID и GET_ROWS во внутреннем бэкенде WebGPU.

Это обновление включено в предварительно скомпилированные двоичные файлы для macOS (Apple Silicon и Intel), iOS, Linux (Ubuntu x64, arm64, s390x), Windows, Android и openEuler. Релиз предоставляет сборки для различных аппаратных ускорителей, включая CUDA 12 и 13, Vulkan, ROCm 10.0, OpenVINO, SYCL и Snapdragon NPUs.

Добавление точности bfloat16 к этим конкретным операциям матриц WebGPU позволяет выполнять более эффективные вычисления на совместимых GPU.

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

Оригинал

llama.cpp b11335 направляет sm70 в таблицу Turing MMVQ для производительности на Volta

Проект llama.cpp выпустил версию b11335, включающую оптимизацию CUDA для GPU Volta. Обновление перенаправляет архитектуру sm_70 в существующую таблицу nwarps Turing MMVQ вместо перехода к общей конфигурации.

github llama.cpp · 23 ч назад · 5 просмотров

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

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.

github llama.cpp · 2 д назад · 9 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 · 5 просмотров

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 · 2 просмотра

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.