ExLlamaV3正式版带来大幅提速
Unstable_Llama · reddit · 2026-07-15
**ExLlamaV3** 发布了 1.0.0 正式版，作者总结了这一年多来的大批性能和工程升级。 这次更新的重点包括： - 去掉 **flash-attention-2** 和 **xformers** 依赖 - 扩展 tensor parallel 支持到更多模型，包括 **Gemma4** - 新 attention kernel：支持在线 cache quantization、SWA layers、attention sinks - 新的 graph path、conv1d kernel、INT8 GEMV kernel、MoE kernel scheduler - 大幅提升 **Ampere** 架构上的 GEMM/GEMV 性能 - 增加多个新模型支持和大量 bugfix / QoL 改进 - 还优化了扩展编译速度 作者给出的定位很明确：这是一次面向实际推理性能的重大发布，尤其适合关心本地部署和高吞吐推理的用户。