Llama.cpp — это, очевидно, основной движок для инференса локальных нейронок на CPU. Но благодаря открытости этой платформы, она получила множество форков, некоторые из которых могут дать маху даже основному движку.

Один из таких форков — ik_llama.cpp от Ивана Кавракова, который 2023 году создал технологию K-quants и форматы Q4_K_M, Q5_K_S и т.д., известные всем, кто скачивает модели в GGUF.

В 2024 году он решил развивать свои идеи отдельно. Проект начался как форк llama.cpp в июне 2024 года, а последняя синхронизация с основной веткой была в августе того же года. С тех пор ik_llama.cpp живёт своей жизнью: в нём уже почти 5000 коммитов, 3,3 тысячи звёзд на GitHub и лицензия MIT.

Главная фишка форка заложена прямо в его описании: это llama.cpp с лучшей производительностью на CPU. И это не пустые слова. В декабре 2024 года автор сравнил свой форк с основной веткой на Ryzen 9 7950X и модели LLaMA 3.1 8B. Обработка промпта в BF16 выросла с 78,58 до 256,9 токена в секунду, в Q4_K_S с 108,4 до 269,6, а в формате IQ3_S и вовсе с 30,2 до 156,47, то есть в 5,18 раза 🔥

Многие функции для инференса появились сначала в ik_llama.cpp и только потом стали доступны в llama.cpp, а некоторые фишки вовсе остались уникальными, Среди функций форка:

⚒️ Семейство IQK-квантов (IQ2_K, IQ3_K, IQ4_K, IQ4_KS, IQ5_K, IQ6_K и другие) даёт лучшее соотношение размера и качества. Есть варианты с чередованием строк вроде IQ4_K_R4 и IQ4_KS_R16, где веса заранее упакованы так, чтобы процессор обрабатывал их максимально эффективно.

⚒️Trellis-кванты от IQ1_KT до IQ4_KT. Они основаны на новом целочисленном методе trellis-квантизации, который позволяет добиться приемлемой производительности даже на CPU. Плюс поддержка тернарных моделей BitNet, 1-битных Bonsai и MXFP4 из моделей gpt-oss.

⚒️ MLA и FlashMLA, фирменные механизмы внимания DeepSeek. В марте 2025 года вышла FlashMLA-3, которую автор описывает как самый быстрый инференс DeepSeek исключительно на CPU.

⚒️ Smart Expert Reduction, благодаря которому модель может задействовать меньше экспертов на каждый токен, жертвуя небольшой долей качества ради заметного прироста скорости.

⚒️ Tensor overrides, с помощью которых можно вручную указать, какие веса держать в видеопамяти, а какие в оперативной: например, оставить слои внимания на видеокарте, а экспертов на процессоре.

Есть и подводные камни:

⚠️ Первый момент: полноценно и быстро работают только два бэкенда: CPU с AVX2 или новее (или ARM NEON и новее) и CUDA на видеокартах начиная с Turing. Так что если у вас видеокарта AMD, Intel или вы работаете на Mac, лучше оставаться на оригинальном llama.cpp.

⚠️ Второй важный момент касается процессоров с AVX-512. Для них при сборке нужно добавить отдельные флаги, которые включают оптимизированные IQK-ядра. Без этих флагов обычная Release-сборка на таком железе молча откатывается на путь AVX2. То есть можно собрать форк на новеньком EPYC и даже не узнать, что половина его возможностей не используется.

⚠️ Третий нюанс для тех, кто запускает MoE-модели в связке с видеокартой. Если часть экспертов оставлена на CPU, опцию -rtr лучше не использовать. Она перепаковывает все тензоры в оперативной памяти в формат с чередованием строк, а поскольку не у всех типов квантизации есть CUDA-реализация, умножение этих матриц всегда будет выполняться на CPU, даже когда выгоднее было бы отдать его видеокарте. Обычно это снижает скорость обработки промпта.

😅 Канал Serverflow в MAX: Подписаться

Claude Fable 5.5 появилась в модельном API Azure 👀

😅 Канал Serverflow в MAX: Подписаться

Nvidia официально открыла исходный код платформы NVIDIA Run:ai 🎉

😅 Канал Serverflow в MAX: Подписаться

Китайская Decenta представила одну из первых материнских плат для будущих процессоров Intel Nova Lake-S под сокет LGA 1954. Модель M26-NVLS-ATX09 выполнена в формате ATX и рассчитана на промышленные системы автоматизацию, встраиваемые системы, коммуникационное оборудование и периферийные серверы. Плата выпускается в двух вариантах на чипсетах Intel Q970 и B960, хотя производитель пока не уточнил, какой чипсет установлен в каждой конфигурации.

M26-NVLS-ATX09 оснащена 10-фазной подсистемой питания VRM по схеме 8+1+1 и четырьмя слотами DDR5-6400 UDIMM. Память работает в двухканальном режиме, максимальный поддерживаемый объем составляет 256 ГБ. Также есть 7 слотов для карт расширений PCIe 5.0.

Для накопителей предусмотрены 2 разъема M.2 Key M под SSD форматов 2242 и 2280. Отдельный M.2 Key E предназначен для беспроводных модулей формата 2230 с поддержкой Wi-Fi 7 и Bluetooth 6. На задней панели есть видеовыходы VGA, HDMI и DisplayPort для одновременного подключения трёх мониторов, а также поддержка TPM 2.0.

Цена M26-NVLS-ATX09 и сроки начала продаж пока не объявлены.

😅 Канал Serverflow в MAX: Подписаться

Хуанг встретился с Макроном в рамках своего визита в Париж. Обсудили развитие ИИ во Франции и меры по обеспечению безопасности передовых ИИ-моделей 👀

😅 Канал Serverflow в MAX: Подписаться

Бывший глава Intel Пэт Гелсингер назвал HBM “ужасной памятью”, несмотря на то что сегодня это один из ключевых компонентов ИИ-ускорителей. По его мнению, технология страдает от низкой плотности хранения данных на отдельных кристаллах, ограничений по пропускной способности интерфейса и проблем с отводом тепла. При этом Гелсингер признает: на данный момент HBM остается лучшим из доступных решений для ИИ-задач.

😅 Канал Serverflow в MAX: Подписаться

А вот и вычислительная нода на базе x4 XPU Microsoft Maia 300.

😅 Канал Serverflow в MAX: Подписаться

По данным инсайдера Heze, объем видеопамяти в будущих ИИ-ускорителях Intel S-Series может превысить 480 ГБ и достигнет 512 ГБ LPDDR5X — такой внушительный объем можно обеспечить при использовании микросхем LPDDR5X с большим объемом памяти.

😅 Канал Serverflow в MAX: Подписаться