llama.cpp llega a la versión 1.0.0: más rápido en NVIDIA, Intel y ARM, y se cierran los agujeros SSRF
El motor llama.cpp, con el que muchos ejecutan modelos de IA en local, pasa a la versión 1.0.0 (antes era la 0.9.0, build b12359). La versión incluye aceleraciones para NVIDIA, para la gráfica Intel y para procesadores ARM, y cierra agujeros SSRF que permitían obligar al servidor a conectarse a direcciones ajenas, por ejemplo de la red interna. También se eliminaron ejemplos y APIs antiguas. Si llama-server está expuesto a la red, conviene actualizar; si compila desde el código fuente, primero hay que revisar las llamadas obsoletas.
Procesado por IA desde TG: @cgevent (Метаверсище и ИИще); editado por Hamidun News
Si ha ejecutado un modelo de lenguaje en su portátil, en un minisservidor o en un teléfono, lo más probable es que por debajo funcionara llama.cpp o una herramienta basada en él. Ahora el proyecto y su biblioteca base, ggml, llegan a la versión 1.0.0 (build b12359), cuando antes estaban en la 0.9.0. El número de versión por sí mismo no acelera nada, pero con él llega un paquete grande de cambios. Se eliminó código obsoleto, se añadieron optimizaciones para distintos tipos de hardware y se cerraron vulnerabilidades SSRF. SSRF es un ataque en el que se obliga a un servidor a enviar peticiones a direcciones elegidas por el atacante, por ejemplo a la red interna de una empresa.
Qué cambia en el versionado y en el código
llama.cpp (release #32190) y ggml se publicaron como v1.0.0 a la vez. Los autores aprovecharon la ocasión para limpiar el código legado de llama y ggml: eliminaron ejemplos antiguos y parte de las APIs anteriores.
Para quien simplemente descarga compilaciones ya hechas, el cambio es casi imperceptible. Pero si compila el proyecto desde el código fuente, enlaza ggml como biblioteca o se apoya en ejemplos que llevaban años en el repositorio, conviene leer la lista de cambios y probar sus compilaciones antes de actualizar. El equipo de ggml-org tiene un debate aparte sobre la política de releases. Qué promete exactamente en materia de compatibilidad no se desprende del texto de origen, así que para las garantías hay que acudir a la fuente original.
Aceleraciones para distinto hardware
La parte principal de la versión son optimizaciones de bajo nivel:
- CUDA (NVIDIA). Se añaden kernels few-row MMQ para lotes pequeños, de 2 a 24 peticiones. Es el caso en que el servidor atiende simultáneamente solo unas pocas peticiones, y no cientos. Para modelos en formato NVFP4 se optimizó el prefill, es decir, el procesamiento inicial del prompt: los factores de escala w_s ahora se fusionan en el paso final del kernel MMQ.
- Vulkan. Para la gráfica Intel se añade al backend un kernel de FlashAttention en la fase de prefill. Vulkan suele elegirse allí donde no hay CUDA, por ejemplo en la gráfica integrada de los portátiles.
- ARM y RISC-V. Para ARM NEON aparecen teselas simd_gemm de 4x4 para multiplicar matrices en procesadores de teléfonos y placas compactas. La operación GATED_DELTA_NET ahora se dirige a los kernels vectoriales SpacemiT RVV (RISC-V).
- Qualcomm Hexagon. Se añaden la cuantización Q5_0 y Q5_1, y la compilación del host para Windows ARM64.
El texto de origen no ofrece cifras de mejora de velocidad, así que no se puede prometer «un X % más rápido». El efecto depende del modelo, de la cuantización y del hardware. Lo sensato es ejecutar una consulta típica en la compilación anterior y en la nueva, y comparar el tiempo hasta el primer token y el rendimiento total.
Servidor: MCP y seguridad
Para quien usa llama-server como base de agentes, el cambio más práctico es este: si el cliente corta la conexión o se agota el tiempo de espera, el servidor ahora cancela las llamadas a herramientas MCP. Esto importa en herramientas con efectos secundarios, como escribir un archivo o hacer una petición a un servicio externo: un trabajo a medio terminar no debería seguir ejecutándose cuando ya nadie espera la respuesta.
Se cierran las vulnerabilidades SSRF en el proxy CORS. Imagine que se puede pedir al proxy de su servidor que abra una dirección como la de un panel de administración interno, inaccesible desde fuera. El servidor iría allí por sí mismo y devolvería la respuesta. Tras la corrección, ese truco no debería funcionar. Además, se endurece el acceso a las herramientas desde direcciones no locales. Si ha expuesto llama-server a una red compartida o a internet, este es un motivo serio para actualizar. Aun así, tras la actualización no conviene dejarlo abierto sin autenticación ni proxy inverso.
Por otro lado, se corrige la conversión del modelo Qwen3.5 y de los proyectores multimodales para Qwen-VL, HunyuanVL y MiniCPM-V. Si al pasar estos modelos a GGUF tuvo problemas, merece la pena volver a intentarlo.
Qué hacer en la práctica
- Lea las notas de la versión en GitHub y compruebe si usa ejemplos o APIs eliminados.
- Si ejecuta llama-server con herramientas MCP o con acceso desde algo más que localhost, actualice primero por las correcciones de seguridad.
- Compare la velocidad en su hardware antes y después: el texto de origen no incluye benchmarks, y la mejora puede variar mucho.
La versión 1.0.0 es más una señal de madurez del proyecto que una revolución. Una de las herramientas clave de la IA local empieza con una base limpia y con parches allí donde hacían falta.
- 21 nov 2026Hermes permite trasladar un agente local a la nube con una sola acción desde Desktop
- 21 nov 2026Apple rediseña la protección del Mac en macOS 27.3 por los agentes de IA con acceso total al disco
- 21 nov 2026La cuantización en OpenVINO redujo en un 75,4 % el tiempo de ejecución de CLIP para LanceDB en CPU
- 21 nov 2026LanceDB: el índice IVF_PQ comprime los vectores para RAG 64 veces y acelera la búsqueda
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué cambia en el versionado y en el código?
llama.cpp (release #32190) y ggml se publicaron como v1.0.0 a la vez. Los autores aprovecharon la ocasión para limpiar el código legado de llama y ggml: eliminaron ejemplos antiguos y parte de las APIs anteriores. Para quien simplemente descarga compilaciones ya hechas, el cambio es casi imperceptible.
¿Qué se sabe sobre Aceleraciones para distinto hardware?
La parte principal de la versión son optimizaciones de bajo nivel: CUDA (NVIDIA). Se añaden kernels few-row MMQ para lotes pequeños, de 2 a 24 peticiones. Es el caso en que el servidor atiende simultáneamente solo unas pocas peticiones, y no cientos. Para modelos en formato NVFP4 se optimizó el prefill, es decir, el procesamiento inicial del prompt: los factores de escala w_s ahora se fusionan en el paso final del kernel MMQ. Vulkan.
¿Qué se sabe sobre Servidor: MCP y seguridad?
Para quien usa llama-server como base de agentes, el cambio más práctico es este: si el cliente corta la conexión o se agota el tiempo de espera, el servidor ahora cancela las llamadas a herramientas MCP. Esto importa en herramientas con efectos secundarios, como escribir un archivo o hacer una petición a un servicio externo: un trabajo a medio terminar no debería seguir ejecutándose cuando ya nadie espera la respuesta. Se cierran las vulnerabilidades SSRF en el proxy CORS.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.