 Blake Mizerany
|
cb42e607c5
llm: speed up gguf decoding by a lot (#5246)
|
před 10 měsíci |
 Daniel Hiltgen
|
6f351bf586
review comments and coverage
|
před 11 měsíci |
|
Daniel Hiltgen
|
ff4f0cbd1d
Prevent multiple concurrent loads on the same gpus
|
před 11 měsíci |
|
Daniel Hiltgen
|
fc37c192ae
Refine CPU load behavior with system memory visibility
|
před 11 měsíci |
|
Daniel Hiltgen
|
434dfe30c5
Reintroduce nvidia nvml library for windows
|
před 11 měsíci |
|
Daniel Hiltgen
|
48702dd149
Harden unload for empty runners
|
před 11 měsíci |
|
Daniel Hiltgen
|
5e8ff556cb
Support forced spreading for multi GPU
|
před 11 měsíci |
 Michael Yang
|
e40145a39d
lint
|
před 11 měsíci |
|
Michael Yang
|
c895a7d13f
some gocritic
|
před 11 měsíci |
|
Michael Yang
|
04f3c12bb7
replace x/exp/slices with slices
|
před 11 měsíci |
 Patrick Devine
|
4cc3be3035
Move envconfig and consolidate env vars (#4608)
|
před 11 měsíci |
 Sang Park
|
4434d7f447
Correct typo in error message (#4535)
|
před 11 měsíci |
|
Daniel Hiltgen
|
ec231a7923
Remove VRAM convergence check for windows
|
před 11 měsíci |
|
Patrick Devine
|
6845988807
Ollama `ps` command for showing currently loaded models (#4327)
|
před 11 měsíci |
|
Daniel Hiltgen
|
4142c3ef7c
Always use the sorted list of GPUs
|
před 11 měsíci |
 Jeffrey Morgan
|
bb6fd02298
Don't clamp ctx size in `PredictServerFit` (#4317)
|
před 11 měsíci |
|
Daniel Hiltgen
|
354ad9254e
Wait for GPU free memory reporting to converge
|
před 11 měsíci |
|
Jeffrey Morgan
|
c9f98622b1
Skip scheduling cancelled requests, always reload unloaded runners (#4189)
|
před 1 rokem |
|
Jeffrey Morgan
|
dfa2f32ca0
unload in critical section (#4187)
|
před 1 rokem |
|
Daniel Hiltgen
|
f56aa20014
Centralize server config handling
|
před 1 rokem |
|
Jeffrey Morgan
|
942c979232
allocate a large enough kv cache for all parallel requests (#4162)
|
před 1 rokem |
|
Daniel Hiltgen
|
20f6c06569
Make maximum pending request configurable
|
před 1 rokem |
 Mark Ward
|
63c763685f
log when the waiting for the process to stop to help debug when other tasks execute during this wait.
|
před 1 rokem |
|
Mark Ward
|
f4a73d57a4
fix runner expire during active use. Clearing the expire timer as it is used. Allowing the finish to assign an expire timer so that the runner will expire after no use.
|
před 1 rokem |
|
Daniel Hiltgen
|
d6e3b64582
Fix concurrency for CPU mode
|
před 1 rokem |
 Daniel Hiltgen
|
9b5a3c5991
Merge pull request #3914 from dhiltgen/mac_perf
|
před 1 rokem |
|
Jeffrey Morgan
|
00b0699c75
Reload model if `num_gpu` changes (#3920)
|
před 1 rokem |
|
Daniel Hiltgen
|
b123be5b71
Adjust context size for parallelism
|
před 1 rokem |
 Bryce Reitano
|
36a6daccab
Restructure loading conditional chain
|
před 1 rokem |
|
Bryce Reitano
|
284e02bed0
Move ggml loading to when we attempt fitting
|
před 1 rokem |
