llama.cpp 的最新版本 v0.7.0 引入了新的 GPU 缓存,用于混合专家(MoE)模型。此功能可通过 --moe-cache-mib 选项访问,允许专家从 LRU 缓存中运行在 GPU 上,可能使解码速度加倍。此外,专家缓存现在可以在多个 GPU 之间共享,从而提高多 GPU 设置的性能。 AI
影响 提高消费级硬件上 MoE 模型的推理速度和效率。
排序理由 发布了一个具有性能改进的开源推理库的新版本。[lever_c_demoted from research: ic=1 ai=1.0]
在 Mastodon — mastodon.social 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →