Автономный движок инференса на Rust для запуска моделей ONNX и NNEF на CPU, Apple Metal, NVIDIA CUDA и WebAssembly.
ggml-org/ggml
Библиотека тензоров на чистом C/C++ для машинного обучения: простая, переносимая и эффективная, с минимальными требованиями к настройке.
- Звёзды
- 15,591
- Форки
- 1,920
- Открытые issues
- 380
- Последний коммит
- 3 дня назад
Что это?
ggml — библиотека тензоров для машинного обучения, написанная на чистом C и C без внешних зависимостей. Она предоставляет низкоуровневые строительные блоки для запуска ML-моделей, в том числе операции над тензорами и граф вычислений, и легко встраивается в другие программы.
Библиотека рассчитана на широкий спектр аппаратных платформ. Она собирается для x86, ARM, RISC-V, LoongArch, PowerPC, s390x и WebAssembly, включает оптимизированные с помощью SIMD ядра для x86, ARM и RISC-V, а также предлагает бэкенды для CPU, GPU, NPU и браузеров. Поддерживается целочисленное квантование с разрядностью от 2 до 8 бит, а также форматы микромасштабирования MXFP4 и NVFP4. Во время выполнения память не выделяется.
В репозитории есть минимальный пример умножения матриц с комментариями в examples/simple, а также документация по формату файлов GGUF. Изменения в основной библиотеке, в том числе в системе сборки CMake, вносятся через проект llama.cpp.
Ключевые возможности
- 01Реализация на чистом C/C++ без внешних зависимостей
- 02Оптимизированные с помощью SIMD ядра для x86, ARM и RISC-V
- 03Бэкенды для CPU, GPU, NPU и браузеров
- 04Целочисленное квантование с разрядностью от 2 до 8 бит, а также форматы MXFP4 и NVFP4
- 05Без выделения памяти во время выполнения
Сценарии использования
- Встраивание ML-инференса в приложения на C/C++ с небольшим размером
- Выполнение тензорных вычислений на периферийных устройствах и встраиваемом оборудовании
- Создание сред выполнения для квантованных моделей на CPU и ускорителях
- Запуск ML-нагрузок в WebAssembly в браузере
Быстрый старт
- 1
Клонируйте репозиторий
git clone https://github.com/ggml-org/ggml - 2
Перейдите в каталог проекта
cd ggml - 3
Создайте каталог для сборки и настройте проект с помощью CMake
mkdir build && cd build cmake .. - 4
Соберите библиотеку в режиме Release
cmake --build . --config Release -j 8
Что важно знать
- Включена только базовая библиотека, без высокоуровневой среды выполнения моделей; вам нужно написать собственный код с использованием C API.
- Для сборки нужны CMake и компилятор C/C++.
Темы
Частые вопросы
- Что такое ggml?
- Библиотека тензоров на чистом C/C++ для машинного обучения: простая, переносимая и эффективная, с минимальными требованиями к настройке. ggml — библиотека тензоров для машинного обучения, написанная на чистом C и C без внешних зависимостей. Она предоставляет низкоуровневые строительные блоки для запуска ML-моделей, в том числе операции над тензорами и граф вычислений, и легко встраивается в другие программы.
- ggml можно использовать бесплатно? Какая у него лицензия?
- ggml распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- ggml всё ещё поддерживается?
- Активно поддерживается. Последний коммит в ggml — 4 нояб. 2026 г..
- Для чего можно использовать ggml?
- Встраивание ML-инференса в приложения на C/C++ с небольшим размером Выполнение тензорных вычислений на периферийных устройствах и встраиваемом оборудовании Создание сред выполнения для квантованных моделей на CPU и ускорителях Запуск ML-нагрузок в WebAssembly в браузере
- Как установить ggml?
- Клонируйте репозиторий: git clone https://github.com/ggml-org/ggml Перейдите в каталог проекта: cd ggml Создайте каталог для сборки и настройте проект с помощью CMake: mkdir build && cd build cmake .. Соберите библиотеку в режиме Release: cmake --build . --config Release -j 8
- Где скачать ggml?
- Исходный код и инструкции по установке — на GitHub: https://github.com/ggml-org/ggml
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Минималистичный ML-фреймворк на Rust с поддержкой GPU для быстрого и лёгкого инференса и деплоя без Python.
Лёгкий автономный C++-движок для запуска моделей Google Gemma на CPU.
Официальный фреймворк Microsoft для инференса 1-битных (тернарных, 1,58-битных) LLM на CPU и GPU, созданный на базе llama.cpp.
Нативный для edge-устройств движок для инференса MoE-моделей с открытыми весами, например DeepSeek-V4 и Qwen3.6, на потребительских GPU и CPU.
Лёгкий фреймворк для инференса нейросетей на чипах Espressif ESP: квантование моделей в формат .espdl через ESP-PPQ.