llama.cppアップデートまとめ：2026年8月12日時点
CHATGPT / AIChatGPTなどの生成AIを活用して運営・記事制作・更新を行っています。制作方針
2026年8月12日時点のllama.cpp b10375を、直前期のb9968、公式README、server仕様と照合し、更新時の確認点とともに整理します。
先に結論
2026年8月12日の確認時点で、llama.cppの最新公開releaseはb10375です。このrelease noteに明記された変更はQwen系modelのbare function parsingを厳密にする修正であり、すべてのmodelやbackendが高速化したという内容ではありません。
llama.cppは更新が速いため、「最新版」という言葉だけで運用せず、tagとcommit、GGUF、起動引数を固定して更新前後を比べます。
確認日時: 2026年8月12日 23:24（Asia/Tokyo）
対象版: b10375（commitba360efe1f574ebae727aad64112d18ecedca85a）。比較基準はb9968（commit1d1d9a9ed7a4f09c4225ea4cc8fd3bd1cf2c940f）です。
検証区分: 公式release、repository、固定版docsを照合した机上調査です。build、model download、推論、benchmark、回帰試験は実施していません。
b10375で確認できる変更
b10375の公式release noteは、Qwen系modelに対するbare function parsingをより厳密にする変更を挙げています。tool callを利用するapplicationでは関係し得ますが、通常の文章生成、全Qwen model、全chat templateへ同じ影響が出るとはrelease noteだけから断定できません。
更新判断では、実際に使うmodel、chat template、tool schema、request、expected outputを固定した回帰testが必要です。release番号だけを見て出力互換性を推測しないでください。
b9968との比較で分かること
| release | 公開日 | release noteの要点 | 適用範囲の読み方 |
|---|---|---|---|
| b9968 | 2026-07-12 | OpenCL INT8 dp4を使ったdense・MoE prefillの最適化 | Adreno GPU向けの限定的なbackend・workload最適化 |
| b10375 | 2026-08-12 | Qwen系のbare function parsingを厳密化 | 主に該当するtool parsing経路を回帰確認 |
b9968の変更を、CUDA、Metal、CPUを含む全環境の速度改善へ一般化することはできません。同様にb10375の短いrelease noteだけでは、b9968以降のすべてのcommitを説明できません。必要な機能はrelease間のcommitと固定版docsを個別に確認します。
b10375時点の主要な利用面
固定版READMEとserver documentから、次の機能を確認できます。
- GGUF modelを
llama-cliで対話・補完に利用 llama-serverによるOpenAI互換chat completionsなどのHTTP API- CPU、Metal、CUDA、HIP、Vulkan、SYCLなど複数backend
- CPUとGPUのhybrid inference
- parallel decodingとcontinuous batching
OpenAI互換はAPI全体の完全一致を意味しません。multimodal機能も公式server documentではexperimentalとされています。本番applicationが使うendpoint、parameter、streaming、tool callを実requestで確認します。
更新を固定して検証する手順
既存repositoryに未保存の変更がないことを確認してから、tagを取得し、detached HEADで対象releaseをbuildする例です。
git fetch --tags
git switch --detach b10375
cmake -B build-b10375 -DCMAKE_BUILD_TYPE=Release
cmake --build build-b10375 --config Release -j
./build-b10375/bin/llama-cli --version現在の本番buildは上書きせず、別directory・別portで起動します。最低限、次を旧版と新版で揃えます。
- GGUF repository、file名、hash
- prompt、chat template、sampling parameter
- context、parallel数、GPU offload、backend
- tool schemaと期待するfunction call
- HTTP status、response形式、error log
性能比較で見落としやすい点
llama-benchはprompt processingとtext generationの比較に使えますが、公式documentによるとtokenizationとsamplingの時間を含みません。API利用者が感じるend-to-end latencyは、server queue、network、JSON処理なども含めて別に測ります。
速度の数字を共有するときは、llama.cpp commit、hardware、driver、GGUF、test size、repeat数を一緒に残します。本記事には実測値を掲載していません。
情報源と未検証範囲
- 2026-07-12: llama.cpp b9968 release
- 2026-08-10: llama.cpp b10375 README
- 2026-08-11: llama-server b10375 README
- 2026-08-12: llama.cpp b10375 release
未検証: b9968からb10375までの個別commitの全件評価、Qwen各modelのtool call、backend別の速度・memory、既存applicationとのAPI互換性、長時間運転は確認していません。
