llama.cpp passe en version 1.0.0 : plus rapide sur NVIDIA, Intel et ARM, failles SSRF corrigées
Le moteur llama.cpp, utilisé par beaucoup pour faire tourner des modèles d'IA en local, passe en version 1.0.0 (il était en 0.9.0, build b12359). La version apporte des accélérations pour NVIDIA, les processeurs graphiques Intel et les processeurs ARM, et corrige des failles SSRF : via ces failles, un serveur pouvait être amené à contacter des adresses arbitraires, par exemple sur le réseau interne. Les anciens exemples et API ont été supprimés. Si llama-server est exposé sur un réseau, mettez-le à jour ; si vous compilez depuis les sources, vérifiez d'abord les appels obsolètes.
Traité par IA depuis TG: @cgevent (Метаверсище и ИИще) ; édité par Hamidun News
Si vous avez fait tourner un modèle de langage sur votre ordinateur portable, un mini-serveur ou un téléphone, il y a de bonnes chances qu'un llama.cpp, ou un outil qui en dérive, ait fait le travail. Le projet et sa bibliothèque de base ggml passent désormais en version 1.
0.0 (build b12359), alors qu'ils étaient en 0.9.
0. Le numéro de version n'accélère rien en soi, mais il accompagne un important lot de changements. Le code a été débarrassé de l'ancien, des optimisations ont été ajoutées pour différents matériels, et des failles SSRF ont été corrigées.
Une attaque SSRF consiste à forcer un serveur à envoyer des requêtes vers des adresses choisies par un attaquant, par exemple sur le réseau interne d'une entreprise.
Ce qui change dans la gestion des versions et le code
llama.cpp (version #32190) et ggml sont sortis en v1.0.0 simultanément. Les auteurs en ont profité pour retirer de llama et ggml le code hérité : exemples obsolètes et une partie des anciennes API ont été supprimés.
Pour ceux qui téléchargent simplement des builds prêtes à l'emploi, l'effet est presque invisible. En revanche, si vous compilez le projet depuis les sources, si vous intégrez ggml comme bibliothèque ou si vous vous appuyez sur des exemples présents depuis des années dans le dépôt, lisez la liste des changements et testez vos builds avant de mettre à jour. ggml-org dispose d'une discussion distincte sur sa politique de publication. Le texte source ne dit pas précisément ce qui y est promis en matière de compatibilité : pour les garanties, reportez-vous à la source primaire.
Accélérations selon le matériel
L'essentiel de la version consiste en optimisations bas niveau :
- CUDA (NVIDIA). Des noyaux few-row MMQ sont ajoutés pour les petits lots, de 2 à 24. C'est le cas où le serveur ne traite que quelques requêtes simultanées, et non des centaines. Pour les modèles au format NVFP4, le prefill, c'est-à-dire le traitement initial du prompt, a été optimisé : les facteurs w_s sont désormais fusionnés dans l'étape finale du noyau MMQ.
- Vulkan. Pour les GPU Intel, un noyau FlashAttention est ajouté au backend pour l'étape de prefill. Vulkan est souvent choisi là où CUDA n'est pas disponible, par exemple sur les processeurs graphiques intégrés des ordinateurs portables.
- ARM et RISC-V. Des tuiles simd_gemm 4x4 pour NEON ARM apparaissent, afin d'accélérer la multiplication de matrices sur les processeurs de smartphones et de cartes compactes. L'opération GATED_DELTA_NET est désormais routée vers les noyaux vectoriels SpacemiT RVV (RISC-V).
- Qualcomm Hexagon. Les quantifications Q5_0 et Q5_1 sont ajoutées, ainsi qu'une compilation hôte pour Windows ARM64.
La source ne fournit aucun chiffre de gain de vitesse : impossible donc de promettre « tant de pour cent plus rapide ». L'effet dépend du modèle, de la quantification et du matériel. Le plus sûr est de lancer une requête typique sur l'ancienne et la nouvelle build, puis de comparer le temps jusqu'au premier token et le débit global.
Serveur : MCP et sécurité
Pour ceux qui utilisent llama-server comme socle d'agents, le changement le plus concret est le suivant : si le client coupe la connexion ou si le délai expire, le serveur annule désormais les appels aux outils MCP. C'est important pour les outils à effets de bord, comme l'écriture d'un fichier ou une requête vers un service externe : un traitement inachevé ne doit pas continuer quand plus personne n'attend la réponse.
Les failles SSRF du proxy CORS sont corrigées. Imaginez qu'il soit possible de demander à ce proxy, installé sur votre serveur, d'ouvrir une adresse du type d'une interface d'administration interne, inaccessible depuis l'extérieur : le serveur s'y rend lui-même et renvoie la réponse. Après correction, ce détour ne devrait plus fonctionner. Par ailleurs, l'accès aux outils depuis des adresses non locales a été durci. Si vous avez exposé llama-server sur un réseau partagé ou sur Internet, c'est une raison sérieuse de mettre à jour. Mais même après la mise à jour, ne le laissez pas ouvert sans authentification ni reverse proxy.
La conversion du modèle Qwen3.5 et des projecteurs multimodaux pour Qwen-VL, HunyuanVL et MiniCPM-V a également été corrigée. Si vous aviez des problèmes lors de la conversion de ces modèles au format GGUF, il vaut la peine de refaire l'opération.
Que faire concrètement
- Lisez les notes de version sur GitHub et vérifiez que vous n'utilisez pas d'exemples ou d'API supprimés.
- Si vous lancez llama-server avec des outils MCP ou avec un accès autre que localhost, mettez à jour en priorité pour les correctifs de sécurité.
- Comparez les performances sur votre matériel avant et après : la source ne contient aucun benchmark, et le gain peut varier fortement.
La version 1.0.0 relève davantage de la maturité du projet que de la révolution. L'un des principaux outils de l'IA locale repart sur des bases nettoyées, avec des correctifs là où ils étaient nécessaires.
- 21 nov. 2026Mémoire flash pour SSD : les prix chutent de 19 à 32 % sur le marché spot, les disques pourraient devenir moins chers
- 21 nov. 2026Unsloth met à jour ses versions compressées de Qwen3.8-27B : précision en hausse de 5 à 10 % à taille égale
- 21 nov. 2026L'IA écrit du code vulnérable dans 44 % des tests : Positive Technologies donne un scanner aux agents
- 21 nov. 2026Sber sort une enceinte avec GigaChat à 14 990 roubles : la voix fonctionne sans Internet
Questions clés sur cet article
Que sait-on sur Ce qui change dans la gestion des versions et le code ?
llama.cpp (version #32190) et ggml sont sortis en v1.0.0 simultanément. Les auteurs en ont profité pour retirer de llama et ggml le code hérité : exemples obsolètes et une partie des anciennes API ont été supprimés. Pour ceux qui téléchargent simplement des builds prêtes à l'emploi, l'effet est presque invisible.
Que sait-on sur Accélérations selon le matériel ?
L'essentiel de la version consiste en optimisations bas niveau : CUDA (NVIDIA). Des noyaux few-row MMQ sont ajoutés pour les petits lots, de 2 à 24. C'est le cas où le serveur ne traite que quelques requêtes simultanées, et non des centaines. Pour les modèles au format NVFP4, le prefill, c'est-à-dire le traitement initial du prompt, a été optimisé : les facteurs w_s sont désormais fusionnés dans l'étape finale du noyau MMQ. Vulkan.
Que sait-on sur Serveur : MCP et sécurité ?
Pour ceux qui utilisent llama-server comme socle d'agents, le changement le plus concret est le suivant : si le client coupe la connexion ou si le délai expire, le serveur annule désormais les appels aux outils MCP. C'est important pour les outils à effets de bord, comme l'écriture d'un fichier ou une requête vers un service externe : un traitement inachevé ne doit pas continuer quand plus personne n'attend la réponse. Les failles SSRF du proxy CORS sont corrigées.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.