llama.cpp v0.5.0 อัปเดตใหญ่ ปรับ CUDA, Vulkan, SYCL และ Local AI Server ให้รองรับโมเดลยุคใหม่ดีขึ้น

ประเภท: News · วันที่: 2026-09-25

ทีมพัฒนา llama.cpp เปิดตัวเวอร์ชัน v0.5.0 เมื่อวันที่ 23 กันยายน 2026 โดยรอบนี้เน้นไปที่การเพิ่มประสิทธิภาพ backend, ปรับความถูกต้องในการประมวลผล, เพิ่มการรองรับโมเดลใหม่ และทำให้ llama-server ทำงานได้เสถียรมากขึ้น

สำหรับผู้ใช้ Local AI การอัปเดตครั้งนี้น่าสนใจเป็นพิเศษ เพราะมีการปรับปรุงทั้ง CUDA, HIP/ROCm, Vulkan, SYCL และ Metal พร้อมกัน รวมถึงเพิ่ม optimization สำหรับ Intel Arc, Gemma 4, MoE, Flash Attention และ MTP ด้วย

Intel Arc และ Vulkan ได้รับการปรับปรุงสำคัญ

หนึ่งในการเปลี่ยนแปลงที่น่าสนใจที่สุดของ v0.5.0 คือการเพิ่ม Flash Attention kernel ที่ปรับแต่งมาสำหรับ GPU Intel Xe โดยรองรับตั้งแต่ Xe-LPG Plus, Xe2 ไปจนถึง Xe3

นอกจากนี้ Vulkan backend ยังเพิ่ม kernel สำหรับ quantization แบบ IQ4_XS และปรับปรุงการคำนวณ matrix multiplication หลายจุด ซึ่งอาจช่วยให้การรันโมเดล GGUF บน Intel Arc มีประสิทธิภาพดีขึ้นในบาง workload

ฝั่ง SYCL ก็มีการเพิ่ม fusion หลายประเภท เช่น GLU fusion, RMSNorm + Scale และ SSM Conv + SiLU รวมถึงการแก้ปัญหาด้าน memory และ device context

สำหรับผู้ใช้ Intel Arc B-Series เช่น Arc B580 หรือ Arc Pro B70 เวอร์ชันนี้จึงเป็นรุ่นที่ควรจับตามองและทดสอบใหม่ โดยเฉพาะโมเดลที่ใช้ Flash Attention และ MoE

Gemma 4 ได้ optimization เพิ่ม

llama.cpp v0.5.0 เพิ่มการปรับแต่ง Flash Attention สำหรับ Gemma 4 บน NVIDIA GPU ตั้งแต่สถาปัตยกรรม Ampere ขึ้นไป

ทีมพัฒนายังปรับ performance สำหรับ shape ที่ใช้กับ Gemma 4 26B A4B โดยเฉพาะ และแก้ parser บางส่วนของ Gemma 4 เพื่อให้การใช้งาน tool calling และ chat template มีความถูกต้องมากขึ้น

ผู้ใช้ RTX 30, RTX 40 และ RTX 50 Series จึงอาจเห็นประโยชน์จากการอัปเดตครั้งนี้ โดยเฉพาะเมื่อเปิด Flash Attention

CUDA เร่ง conv2d และรองรับ MTP ดีขึ้น

CUDA backend ได้รับการปรับปรุงหลายจุด โดยหนึ่งในรายการหลักคือการเปลี่ยนการประมวลผล conv2d ให้ใช้ implicit GEMM เพื่อเพิ่มประสิทธิภาพ

llama.cpp ยังเปิดใช้งาน CUDA Graph สำหรับ MTP drafting ซึ่งช่วยลดการใช้ทรัพยากรในการเรียก kernel ซ้ำ ๆ ใน workload ที่ใช้ Multi-Token Prediction

นอกจากนี้ยังมีการเพิ่ม sparse Flash Attention สำหรับสถาปัตยกรรมโมเดลรุ่นใหม่ เช่น Qwen4 และ DeepSeek V4

ทิศทางนี้สะท้อนว่า llama.cpp กำลังเตรียม backend สำหรับโมเดลรุ่นใหม่ที่มีโครงสร้างซับซ้อนกว่า Transformer แบบเดิมมากขึ้น

AMD ROCm/HIP ปรับ IQ2 และ IQ3

ฝั่ง AMD มีการ optimize kernel สำหรับ quantization แบบ IQ2 และ IQ3 บน HIP โดยใช้เทคนิค SWAR เพื่อเพิ่มประสิทธิภาพการประมวลผลข้อมูลจำนวนหลายค่าในคำสั่งเดียว

การปรับปรุงนี้ไม่ได้หมายความว่าโมเดลทุกตัวจะเร็วขึ้นทันที เพราะผลลัพธ์จะขึ้นอยู่กับ quantization และ workload ที่ใช้งาน

แต่ถ้าคุณใช้ Radeon สำหรับรันโมเดลขนาดใหญ่ด้วย quantization ต่ำ เช่น IQ2 หรือ IQ3 เวอร์ชันนี้ถือว่าน่าทดสอบเทียบกับรุ่นก่อน

Metal เพิ่ม optimization สำหรับ MoE และ SSM

Apple Silicon ก็ได้รับการปรับปรุงในรอบนี้เช่นกัน

Metal backend เพิ่ม fusion สำหรับ MoE และ SSM_CONV พร้อมปรับ Flash Attention และแก้ปัญหาด้าน memory access หลายรายการ

การเพิ่ม fusion ช่วยลดจำนวนตัวดำเนินการที่ต้องส่งแยกไปยัง GPU ซึ่งสามารถลดการใช้ทรัพยากรระบบและเพิ่ม throughput ได้ในเวิร์คโหลดที่เหมาะสม

เพิ่มการรองรับโมเดลใหม่

llama.cpp v0.5.0 เพิ่มและขยายการรองรับโมเดลหลายตระกูล ได้แก่

• HRM-Text หรือ DFM Mimir 1B
• MiMo-V2.6
• HunyuanOCR พร้อม DFlash
• Nemotron MTP
• Nemotron-H
• Qwen4Exp
• Muse Glimmer

นอกจากนี้ยังมีการแก้ parser สำหรับ Ling 3.0, DeepSeek V3.2/V4, Qwen3-Coder, Muse Glimmer และ Gemma 4

จุดนี้สำคัญ เพราะโมเดล AI รุ่นใหม่เริ่มมีสถาปัตยกรรมและการดำเนินการเฉพาะทางมากขึ้น ทำให้ runtime ต้องรองรับมากกว่าการโหลดน้ำหนักของไฟล์ GGUF เพียงอย่างเดียว

HunyuanOCR เริ่มรองรับ DFlash

อีกจุดที่น่าสนใจคือการรองรับ DFlash สำหรับ HunyuanOCR

DFlash เป็นแนวทาง speculative decoding ที่ช่วยลดเวลาการสร้าง token โดยใช้โมเดลหรือกลไกช่วยคาดการณ์ token ล่วงหน้า ก่อนให้โมเดลหลักตรวจสอบอีกครั้ง

การเพิ่มส่วนนี้ทำให้ llama.cpp เริ่มน่าสนใจมากขึ้นสำหรับ workflow ที่เกี่ยวข้องกับเอกสาร เช่น

• รูปภาพหรือ PDF → OCR → LLM → JSON หรือ Table

โดยเฉพาะระบบ Local AI ที่ต้องการทำงานกับข้อมูลภายในองค์กรโดยไม่ส่งเอกสารออกไปยัง Cloud

llama-server รองรับหลาย Network Address

llama-server ใน v0.5.0 สามารถ bind หลาย network address พร้อมกันได้แล้ว โดย –host รองรับทั้ง TCP address หลายชุดและ UNIX socket

ตัวอย่างเช่น เซิร์ฟเวอร์หนึ่งตัวอาจเปิดให้เครื่องภายใน LAN เข้าถึงผ่าน IP หนึ่ง ขณะเดียวกันก็ให้ service ภายในเครื่องเชื่อมผ่าน UNIX socket ได้

ทีมพัฒนายังแก้ race condition ใน router, ปรับการจัดการ child process และปรับระบบ logging

สำหรับคนที่ใช้ llama.cpp เป็น Local AI Server ตลอดเวลา การเปลี่ยนแปลงกลุ่มนี้อาจสำคัญกว่าความเร็ว token generation เสียอีก

Function Calling รองรับภาพมากขึ้น

API ของ llama-server สามารถรับ input_image จาก function_call_output ได้แล้ว

นอกจากนี้ server ยังรองรับ OpenAI-compatible video_url และ Data URI สำหรับวิดีโอ ส่วน Web UI ก็เพิ่มการรองรับไฟล์ WEBM

แนวทางนี้ทำให้ llama.cpp ค่อย ๆ ขยายจาก runtime สำหรับ Text LLM ไปสู่ runtime ที่รองรับ multimodal workflow มากขึ้น

ggml อัปเดตเป็น 0.25.x

llama.cpp v0.5.0 มาพร้อมการอัปเดต ggml เป็นสาย 0.25.x ซึ่งเพิ่มความสามารถด้าน Hyper-Connection, Flash Attention, fused MoE, SSM และ backend optimization หลายรายการ

นอกจากนี้ RPC protocol ได้เปลี่ยนเป็น major version 7 ด้วย

ผู้ใช้ทั่วไปที่รัน llama-cli หรือ llama-server บนเครื่องเดียวอาจไม่รู้สึกถึงส่วนนี้มากนัก

แต่ถ้าคุณใช้ llama.cpp แบบ RPC, ใช้หลายเครื่อง หรือฝัง llama.cpp เข้าไปในซอฟต์แวร์ของตัวเอง ควรตรวจสอบความเข้ากันได้ก่อนอัปเกรด

ควรอัปเดตหรือไม่

ถ้าคุณใช้ llama.cpp กับฮาร์ดแวร์รุ่นใหม่ เช่น NVIDIA RTX, AMD Radeon, Intel Arc หรือ Apple Silicon การอัปเดตเป็น v0.5.0 ถือว่าน่าสนใจ เพราะมีการปรับ backend เกือบทุกแพลตฟอร์ม

กลุ่มที่น่าทดสอบใหม่เป็นพิเศษคือ

• Intel Arc + Vulkan/SYCL
• NVIDIA RTX + Gemma 4
• AMD Radeon + IQ2/IQ3
• โมเดล MoE
• โมเดลที่ใช้ MTP หรือ speculative decoding
• ระบบที่ใช้ llama-server เป็น AI API ภายในเครือข่าย

อย่างไรก็ตาม ไม่ควรคาดหวังว่า v0.5.0 จะทำให้ทุกโมเดลเร็วขึ้น เพราะการปรับแต่งส่วนใหญ่เป็นการทำแบบเฉพาะเจาะจงกับสถาปัตยกรรมของโมเดล, quantization และ backend บางประเภท

ถ้าคุณใช้ llama.cpp สำหรับ benchmark ควรทดสอบเวอร์ชันเก่าและใหม่ด้วย prompt, context size, quantization และ GPU offload เดิม เพื่อดูผลที่เกิดขึ้นจริงบนฮาร์ดแวร์ของคุณ

สรุป

llama.cpp v0.5.0 เป็นการอัปเดตที่เน้นการวางพื้นฐานสำหรับ Local AI รุ่นถัดไปมากกว่าการเพิ่มฟีเจอร์ใหญ่เพียงตัวเดียว

CUDA, HIP, Vulkan, SYCL และ Metal ได้รับการปรับปรุงพร้อมกัน ขณะที่ระบบภายในเริ่มรองรับ MoE, MTP, sparse attention, multimodal และโมเดล architecture ใหม่มากขึ้น

สำหรับผู้ใช้ทั่วไป ความเปลี่ยนแปลงอาจเห็นเป็นความเร็วหรือความเสถียรที่ดีขึ้นในบางโมเดล

แต่ในภาพใหญ่ v0.5.0 แสดงให้เห็นว่า llama.cpp กำลังพัฒนาจากเครื่องมือรัน GGUF ไปสู่ runtime สำหรับ Local AI ที่รองรับ workload หลากหลายขึ้นเรื่อย ๆ

ข้อมูล: https://github.com/ggml-org/llama.cpp/releases/tag/v0.5.0

ดาวน์โหลด/ติดตั้ง: https://github.com/ggml-org/llama.cpp