char-fork/llama.cpp

git clone https://git.t4t.associates/char-fork/llama.cpp

Aman Guptallama + spec: MTP Support (#22673)255582687

char/aliceai-t5-moe
brancheschar/aliceai-t5-moeall refs →
4.3 KiB140 linesraw
1#pragma once
2
3#include "llama-batch.h"
4#include "llama-graph.h"
5#include "llama-kv-cache.h"
6#include "llama-memory.h"
7#include "llama-memory-recurrent.h"
8
9#include <memory>
10#include <vector>
11
12//
13// llama_memory_hybrid
14//
15
16// utilizes instances of llama_memory_recurrent and llama_kv_cache to
17//   support models where each layer may be either attention-based or recurrent
18
19class llama_memory_hybrid : public llama_memory_i {
20public:
21    llama_memory_hybrid(
22        const llama_model & model,
23                            /* attn */
24                ggml_type   type_k,
25                ggml_type   type_v,
26                     bool   v_trans,
27                 uint32_t   kv_size,
28                 uint32_t   n_pad,
29                 uint32_t   n_swa,
30           llama_swa_type   swa_type,
31                            /* recurrent */
32                ggml_type   type_r,
33                ggml_type   type_s,
34                 uint32_t   rs_size,
35                            /* common */
36                 uint32_t   n_seq_max,
37                 uint32_t   n_rs_seq,
38                     bool   offload,
39                     bool   unified,
40                            /* layer filters */
41    const layer_filter_cb & filter_attn = nullptr,
42    const layer_filter_cb & filter_recr = nullptr);
43
44    ~llama_memory_hybrid() = default;
45
46    //
47    // llama_memory_i
48    //
49
50    llama_memory_context_ptr init_batch(
51            llama_batch_allocr & balloc,
52            uint32_t n_ubatch,
53            bool embd_all) override;
54
55    llama_memory_context_ptr init_full() override;
56
57    llama_memory_context_ptr init_update(llama_context * lctx, bool optimize) override;
58
59    bool get_can_shift() const override;
60
61    void clear(bool data) override;
62
63    bool seq_rm  (llama_seq_id seq_id,                              llama_pos p0, llama_pos p1) override;
64    void seq_cp  (llama_seq_id seq_id_src, llama_seq_id seq_id_dst, llama_pos p0, llama_pos p1) override;
65    void seq_keep(llama_seq_id seq_id)                                                          override;
66    void seq_add (llama_seq_id seq_id,                              llama_pos p0, llama_pos p1, llama_pos shift) override;
67    void seq_div (llama_seq_id seq_id,                              llama_pos p0, llama_pos p1, int d) override;
68
69    llama_pos seq_pos_min(llama_seq_id seq_id) const override;
70    llama_pos seq_pos_max(llama_seq_id seq_id) const override;
71
72    std::map<ggml_backend_buffer_type_t, size_t> memory_breakdown() const override;
73
74    // state write/load
75
76    void state_write(llama_io_write_i & io, llama_seq_id seq_id = -1, llama_state_seq_flags flags = 0) const override;
77    void state_read (llama_io_read_i  & io, llama_seq_id seq_id = -1, llama_state_seq_flags flags = 0)       override;
78
79    //
80    // llama_memory_hybrid specific API
81    //
82
83    llama_kv_cache * get_mem_attn() const;
84    llama_memory_recurrent * get_mem_recr() const;
85
86private:
87    const llama_hparams & hparams;
88
89    const std::unique_ptr<llama_kv_cache> mem_attn;
90    const std::unique_ptr<llama_memory_recurrent> mem_recr;
91};
92
93class llama_memory_hybrid_context : public llama_memory_context_i {
94public:
95    using slot_info_vec_t = llama_kv_cache::slot_info_vec_t;
96
97    // init failure
98    explicit llama_memory_hybrid_context(llama_memory_status status);
99
100    // init full
101    explicit llama_memory_hybrid_context(llama_memory_hybrid * mem);
102
103    // init update
104    explicit llama_memory_hybrid_context(
105        llama_memory_hybrid * mem,
106              llama_context * lctx,
107                       bool   optimize);
108
109    // init success
110    llama_memory_hybrid_context(
111              llama_memory_hybrid * mem,
112                  slot_info_vec_t   sinfos_attn,
113        std::vector<llama_ubatch>   ubatches);
114
115    ~llama_memory_hybrid_context() = default;
116
117    bool next()  override;
118    bool apply() override;
119
120    llama_memory_status  get_status() const override;
121    const llama_ubatch & get_ubatch() const override;
122
123    //
124    // llama_memory_hybrid_context
125    //
126
127    const llama_kv_cache_context * get_attn() const;
128    const llama_memory_recurrent_context * get_recr() const;
129
130private:
131    // the index of the next ubatch to process
132    size_t i_next = 0;
133
134    std::vector<llama_ubatch> ubatches;
135
136    const llama_memory_context_ptr ctx_attn;
137    const llama_memory_context_ptr ctx_recr;
138
139    const llama_memory_status status;
140};