RepoAlerts

JakeATX/llamAmpere

App

¿Es de fiar?

Nuestras comprobaciones no ven nada raro.

  • Estrellas de cuentas reales Sin datos

    Todavía no hemos comprobado si sus estrellas son falsas.

  • Activo Bien

    Último cambio hace 2 días.

  • Licencia Bien

    MIT: puedes usarlo gratis, también en un producto comercial. Conserva el aviso de licencia.

Comprobaciones rápidas con datos públicos. Ayudan, pero no son una garantía.

Qué es

Una bifurcación de llama.cpp optimizada para las GPU Ampere de NVIDIA de la serie RTX 30, especialmente las RTX 3090 y 3090 Ti. Ejecuta modelos Qwen3.8, incluido Qwen3.8-27B con su cabezal de borrador MTP integrado y una variante Flash-Next, con soporte para contexto largo y…

Para quién es

Desarrolladores y aficionados que ejecutan LLM en local en GPU RTX de la serie 30 y necesitan contexto largo o inferencia más rápida

Cómo usarlo

Instalación

scripts/flash-next-server.sh -m models/flash-next/qwen3.8-flash-next-Swift1.5-ATX-AI3-00001-of-00002.gguf

Sacado de su README. Compruébalo allí antes de ejecutarlo.

Los instaladores, cuando el proyecto los publica, están en su última versión (release).

Descargas (si las hay)

Pide a tu IA que lo instale

Pega esto en Claude, ChatGPT o tu asistente de programación.

Ayúdame a instalar y configurar JakeATX/llamAmpere en mi proyecto. Sigue su README: https://github.com/JakeATX/llamAmpere. Explícame cada paso y comprueba que es seguro antes de ejecutar nada.

Curva de estrellas

383De 112 a 383 estrellas entre el 26 sept 2026 y el 16 nov 2026.

Alternativas

Proyectos parecidos que cita su ficha. Cada enlace busca en el directorio.

Recibe alertas de repos como este

Te escribimos cuando algo de Modelos e inferencia empiece a subir. Gratis, una vez por semana, solo lo que encaja.

Qué te llega: un email los lunes con los repos que encajan, nunca más. Mira el de la semana pasada. Privacidad

Para quien mantiene el repo

Pon esta insignia en tu README. Muestra el puesto del repo en el radar, se actualiza cada hora y enlaza a esta página.

[![JakeATX/llamAmpere on RepoAlerts](https://repoalerts.com/badge/JakeATX/llamAmpere.svg)](https://repoalerts.com/repo/JakeATX/llamAmpere?ref=badge)
Compartir en X

  • freriadoc/Avalon

    Una bifurcación de llama.cpp optimizada para ejecutar el modelo MoE Qwen3.8-Flash-Next de 125B en una única GPU AMD de consumo, con los expertos descargados a la RAM del sistema. Usa una caché de expe

    LibreríaModelos e inferenciaC++ · 436 estrellas · +50 esta semana · 38 días

  • vixhal-baraiya/qwenGPU

    Un modelo experimental: Qwen3.5-2B con una GPU SIMT compilada en sus pesos como 45 capas adicionales. El modelo ejecuta kernels de CUDA compilados a PTX, usando sus capas Gated DeltaNet como registros

    ModeloModelos e inferenciaPython · 120 estrellas · +2 esta semana · 15 días

  • Betelgeuse-AI/Betelgeuse

    Una bifurcación de llama.cpp que ejecuta modelos de mezcla de expertos más grandes que la memoria de la GPU en una RTX 3060 de 12 GB. Los pesos densos se mantienen en la GPU y los expertos enrutados s

    AppModelos e inferenciaC++ · 154 estrellas · +31 esta semana · 16 días

  • manuelgscom/inside-llm

    Un binario nativo que carga uno o dos modelos GGUF con llama.cpp y muestra en el navegador las probabilidades de cada token, las alternativas descartadas, el efecto de los muestreadores y el token don

    AppModelos e inferenciaTypeScript · 64 estrellas · +64 esta semana · 1 día

  • samir-sarwar/samir-vllm

    Un motor de inferencia de LLM con fines didácticos, escrito en C++17 y CUDA, que ejecuta Llama 3.2 1B Instruct. Carga los pesos de safetensors en la GPU, implementa tokenizador, prefill y decode con c

    RecursoModelos e inferenciaC++ · 223 estrellas · +186 esta semana · 82 días · HN 80 pts

  • divagr18/QwenPU

    Un modelo Qwen3.5-4B modificado con una CPU RISC-V de 32 bits y una unidad vectorial compiladas en sus pesos, que ejecuta el modelo stories260K de Karpathy como un programa en C dentro de los pases ha

    ModeloModelos e inferenciaPython · 139 estrellas · +8 esta semana · 16 días