ggml 发布 1.0.0 版本，移除废弃 API 并新增 FP8 与 YaRN 支持

ggml 1.0.0 清理了废弃的公共 API 和旧的 DIAG_MASK 操作，新增可配置的 YaRN 截断和 FP8 支持，并在各后端带来大量性能优化：CUDA/Metal 上的少行量化 matmul 和 MoE 融合、Vulkan 的 prefill FlashAttention 路径、SYCL 上的设备端 MoE 调度器、OpenCL 中 Adreno FlashAttention 的分解实现、新的 WebGPU kernel、Hexagon 算子覆盖扩展，以及避免上传未使用输入的调度器改进。

417a024 ggml：版本号提升至 1.0.0（#1690） 771b3d9 requirements：修复 Python 3.14 下的 numpy（#1691） f154959 sync：llama.cpp ec04faf fix(hexagon)：让 host 构建在 Windows ARM64 上支持 clang-cl（llama/32011） b45738e examples：适配 ggml_diag_mask_inf 的移除 1514439 sync：llama.cpp 5f29555 ggml：清理（llama/29801） 076861c hexagon：新增 Q5_0 和 Q5_1 支持（llama/32094） 63ec52d 标题：CUDA：面向 BS 2-24 的少行 MMQ（llama/31533） c6fe796 ggml：将 GATED_DELTA_NET 路由到 SpacemiT RVV kernel（llama/31897） 4ae6e72 vulkan：面向 prefill 的 Intel FA kernel。（llama/29357） b22071c ggml-cpu：在 ARM NEON 上使用 4x4 simd_gemm tile（llama/32128） ba8b013 CUDA：针对 nvfp4 checkpoint，通过在 epilogue MMQ 中融合 w_s scale 来优化 prefill（llama/26048） 05f605a ggml-backend：仅预取由前序 split 计算出的输入（llama/32100） b8a5b87 ggml：通过 HP kernel 分发 SpacemiT Q4_1 32x256（llama/31929） 7a8cef5 sycl：使 oneDNN FA 缓存线程安全，并记忆化运行时失败（llama/31138） 6dfea1a sycl：修复超过 4GB 的 AOT（llama/31873） 012ff44 sycl：在 set_main_device 中使用缓存的 device-id（llama/32013） 2f9d47b CUDA：新增 cuda 调试缓冲池（llama/31919） 522d257 opencl：新增 bin kernel kernel_gemm_noshuffle_q4_0_f32_32b_trans_ila_a7_bin（llama/30947） 0f9dcb7 CUDA：在 MMQ stream-k 修正中跳过空的 MoE tile（llama/32067） 6bed9a8 opencl：为 Adreno 新增分解式 FA（llama/32046） a357e7b metal：防止 SOLVE_TRI kernel 中的越界读取（llama/32103） c36ccd8 vulkan：支持批量 tensor 拷贝 API（llama/31418） 1bffc59 backend：当 kernel 的 cluster 维度变化时重新实例化 CUDA graph（llama/31284） 8153155 ROCm/HIP：改用固定的 BLAS workspace，避免 rocBLAS 每次调用都分配（llama/31838） ad7d200 cpu：以 F32 累加 flash attention 的 V（llama/29810） 7f4a2db webgpu：新增 PAD_REFLECT_1D 支持（llama/31877） 0f51454 vulkan：允许在 CM2 下做反量化 KV 优化（llama/31526） eb4de49 vulkan：分配设备故障厂商二进制缓冲（llama/32008） 6b7f47a cuda：在小 batch size 下对少行 BF16 矩阵使用 MMVF（llama/31959） 77d01f1 cuda：为 DKQ=256、DV=256、ncols=64 新增 sm70 FlashAttention 配置分支（llama/27997） bd37ba0 cuda：fattn mma 头尺寸 40 72（llama/30285） 161ca15 CUDA：新增 OCP FP8 支持（llama/28413） 06faf80 sycl：修复 sycl CLAMP 使其真正支持 strided view（llama/31784） a986181 cuda：移除未使用的 ids 和 type_src0 参数（llama/32018） 55104b2 llama：新增 FP8 KV-cache 支持（llama/28392） 0753641 ggml：新增 MUL_MAT src1 精度测试与门控（llama/31896） 1cd16bd cuda：移除未使用的 quantize_cuda_t typedef（llama/31884） 4a18cdd cuda：将 VMM 池预留大小减半，并在 cuMemAddressReserve 失败时重试（llama/30542） 1c9ac9d CUDA：在 graph 复用时跳过兼容性检查（llama/32004） 999c725 ggml：通过设置 _XOPEN_SOURCE=700 修复 FreeBSD Vulkan 构建（llama/31701） 47bc1d8 CUDA：将 graph 和并发流状态移出 common.cuh（llama/32001） df70e12 cann：检查 buffer 类型是否受支持时提前失败（llama/31270） e447eb5 sycl：新增设备端 MoE 调度器（llama/30156） 9a1c582 vulkan：为 Qwen 模型新增分块转置 concat shader（llama/30591） 8b3c8cf ggml-rpc：在端点不可达和握手失败时优雅失败（llama/30415） f860f1d vulkan：将 GROUP_NORM workgroup 划分为 2D 以规避 maxComputeWorkGroupCount 限制（llama/31930） eb5571a vulkan：修复 MoltenVK 上的越界读写（llama/31890） 5a9a264 vulkan：在 Qualcomm 上对大头尺寸的标量 flash attention 限制为 8 行（llama/30829） 5610f41 sycl：对 Alchemist 在 head_dim=64 时解除 oneDNN 融合 SDPA 的门控（llama/31574） 487cadf hexagon：修复关闭时 64 位 FastRPC handle 被截断的问题（llama/30952） be37c9c ggml-zdnn：接受非 zdnn tensor，并在每次操作后使计算 tensor 失效（llama/31824） 294d5fc ggml：实现 TRI 的反向传播（llama/30712） e18c2c6 ggml-backend：不上传不会被读取的输入（llama/31419） e84d36b metal：防止对 Metal FA 输出缓冲区的越界写入（llama/31662） 0dd184f metal：让 ggml_tri 做选择而非按比较结果缩放（llama/30711） b6d482c opencl：引入 climits（llama/31935） 62de780 RPC：改善加载时间（llama/29413） a7276d0 ggml：在 openvino、sycl、vulkan、webgpu、rpc 上支持 YaRN 截断配置（llama/30802） da89459 sycl：缓存 device-id（llama/31126） fb57085 tests：以 f32 角度分辨率约束 test_rope 的容差（llama/31874） e43d847 opencl：新增 f32 MUL_MAT_ID（llama/31783） d1c1e4b ggml-zdnn：修复 release 二进制无法检测后端库的问题（llama/31905） 7e7b6e9 mtmd：重构：移除 clip.h，将代码整合进 mtmd（llama/31865） 5a0e536 cpu：启用 SpacemiT IME2 MXFP4 密集重打包（llama/31776） 7f4b25f llamafile：实现 bf16 和 q8_0 vxe（llama/31866） f22fc6a ggml：更新 CUDA/Metal radix Top-K，使并列选择具有确定性（llama/31084） 47b8b4f ggml-cuda：为 SSM_SCAN kernel 新增 d_state=64 快速路径（llama/31818）

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）