github vLLM · 2 天前 · inference

vLLM v0.29.0 将密集前缀缓存默认应用于混合模型

译自 English → 中文

vLLM 项目发布了 0.29.0 版本，其中包括关于密集前缀缓存的核心错误修复。

该更新专门针对混合模型应用了密集前缀缓存的默认设置。

重要性 1/3 可信度 2/3 vLLM Inference efficiency

阅读原文

github llama.cpp · 刚刚实时

llama.cpp b10891 通过回退到共享内存归约修复 PowerVR Vulkan 崩溃

llama.cpp 项目发布了 b10891 版本，解决了 PowerVR GPU 上的一个关键稳定性问题。该更新修改了 Vulkan 后端，使其在去量化矩阵-向量乘法（dmmv）操作中回退到共享内存归约。

media MarkTechPost · 刚刚实时

DeepSeek 发布 DeepSeek-V4.1-Flash，支持 1M 上下文与 FP4 KV 缓存

DeepSeek AI 发布了 DeepSeek-V4.1-Flash，这是一款多模态混合专家模型，具备 100 万 token 的上下文窗口和 FP4 KV 缓存，将全局缓存占用降低至每 token 890 字节。该模型采用因果编码器-解码器架构以及压缩稀疏注意力 2（CSA2），在保持性能的同时显著降低了内存需求。

github llama.cpp · 1 小时前 · 1 次浏览实时

llama.cpp b10889 版本避免为索引器分配 V 缓存

llama.cpp 项目发布了构建版本 b10889，其中包括一项内存优化，以避免为未使用的索引器分配 V 缓存。

github llama.cpp · 3 小时前 · 1 次浏览

llama.cpp b10888 为 GPU 分析器添加 Vulkan 命令缓冲区调试标签

llama.cpp 项目发布了构建版本 b10888，其中包含一项新功能，可在 Vulkan 后端为 GPU 分析器添加命令缓冲区调试标签。

github llama.cpp · 4 小时前 · 1 次浏览

llama.cpp b10886 为 s390x 添加 Q1_0 向量内置支持

llama.cpp 项目发布了构建版本 b10886，引入了对 s390x 架构的 Q1_0 向量内置支持。此更新包括 `ggml_vec_dot_q1_0_q8_0` 的实现，并更新了文档以反映新功能。