ggml 1.0.0 リリース — 非推奨API削除とRPC v9で何が変わるか、llama.cpp 更新手順
ggml 1.0.0(2026年11月13日)は非推奨APIとDIAG_MASK演算を削除しRPCをv9へ。RPCで分散推論する場合は全ノードを同じ世代にして同時更新が必要。llama.cpp利用者の対応、開発者向けの移行先、更新手順、確認チェックリスト、FAQまでを公式リリースノートとPRから整理する。
ggml 1.0.0 は2026年11月13日に GitHub(ggml-org/ggml)でリリースされた。 ggml は llama.cpp や whisper.cpp の土台になっているテンソルライブラリで、今回のリリースの中身は「非推奨の公開APIの削除」「RPCプロトコルの v9 化」「バックエンドごとの高速化」が中心である。llama.cpp などを使うだけの利用者は、基本的に最新版へ更新すればよい。ただし RPC で複数台に分散推論している場合は、全ノードを同じ世代に揃えて同時に更新する必要がある。
本稿では、公式リリースノートと関連プルリクエスト(llama.cpp の #29801・#31946)を読み、何が変わったか、誰が何をすべきか、更新手順と確認項目を整理する。性能の数値は公式ノートに載っていないため、ベンチマークの数字は書かない。
ggml とは — 3行でわかる要点
- 何か: 機械学習向けの、シンプル・可搬・高効率を目標にしたテンソルライブラリ。C/C++ で書かれ、依存ライブラリがなく、実行時のメモリ確保がゼロという設計である(README より)
- 何が1.0なのか: 非推奨だった公開APIを整理し、バージョン番号を 1.0.0 にした区切りのリリース。バージョンを上げるコミットは「ggml : bump version to 1.0.0」(#1690)
- ライセンス: README に MIT と記載されている。GitHub のリリースページ自体にはライセンス表記がない
ggml は2〜8ビット整数の量子化に加え、MXFP4・NVFP4 といったマイクロスケーリング形式にも対応し、x86・ARM・RISC-V・LoongArch・PowerPC・s390x・WebAssembly を対象にしている。バックエンドは CPU・CUDA・Metal・Vulkan・SYCL・OpenCL・WebGPU・Hexagon などで、今回のリリースノートにも CANN や ZDNN、OpenVINO に関する項目が含まれる。
なお README によると、コアライブラリ(CMake のビルド設定を含む)の変更は ggml 側ではなく llama.cpp へのプルリクエストとして出す運用になっている。今回の主要な変更も、リリースノート上の PR 番号が llama/29801 のように llama.cpp 側のものになっている。ggml は llama.cpp で開発された内容を同期して配布する位置づけと読める。
1.0.0 で何が変わったか — 主な変更点
リリースノートには100件を超えるコミットが並ぶ。ここでは利用者への影響が大きいものを、公式ノートと PR の記述に基づいて表にまとめる。
| 区分 | 変更内容 | 参照 PR(llama.cpp) |
|---|---|---|
| 公開API | 非推奨API・演算の削除(GGML_OP_ADD1、ggml_mul_mat_set_prec、ggml_rope_custom、ggml_upscale_ext、ggml_flash_attn_ext_set_prec) | #29801 |
| 演算 | DIAG_MASK_INF / DIAG_MASK_ZERO と関連する4関数の削除(TRI へ移行) | #31946 |
| RPC | プロトコル v9。メジャー版が一致しないピアはハンドシェイクで拒否 | #29801、#29413、#30415 |
| RoPE | ggml_rope_set_truncate / ggml_rope_get_truncate を追加(YaRN の補正境界の丸めを制御) | #30206、#30802 |
| FP8 | CUDA で OCP FP8 に対応。llama 側で FP8 の KV キャッシュにも対応 | #28413、#28392 |
| MoE | Metal の MoE ルーティング融合、CUDA の NVFP4 gate/up 融合、SYCL のデバイス側 MoE スケジューラなど | #31615、#31296、#30156 |
| 量子化行列積 | CUDA で少数行(バッチ2〜24)向けの MMQ、BF16 の少数行 MMVF | #31533、#31959 |
| Vulkan | Intel 向け FlashAttention の prefill カーネル、Qualcomm 向けの調整 | #29357、#30829 |
| コア | スケジューラが使われない入力のアップロードを省略。MoE キャッシュのミスの一部を CPU で計算 | #31419、#32100、#30966 |
バックエンド別では、このほかに OpenCL の Adreno 向け FlashAttention と GEMV カーネル、WebGPU の GROUP_NORM・MEAN・COUNT_EQUAL・PAD_REFLECT_1D、Hexagon の Q5_0/Q5_1 対応と conv_2d の最適化(conv_3d も追加)などが載っている。どの程度速くなったかという数値は、リリースノートには書かれていない。
RoPE の truncate 設定 — 長文脈モデルの人が見るところ
YaRN は RoPE を拡張して長いコンテキストを扱う手法で、補正する次元の境界を整数に丸めるかどうかで挙動が少し変わる。1.0.0 ではこの丸めを制御する ggml_rope_set_truncate と ggml_rope_get_truncate が追加された。公式ノートによると、この設定は OpenVINO・SYCL・Vulkan・WebGPU・RPC で対応している。
llama.cpp 側の PR #29801 には、「YaRN の truncate=false への対応」が後続の課題として残っていると書かれている。つまり、すべての経路で完全に揃ったと言い切れる状況ではないので、長文脈モデルを動かす人は、自分が使うバックエンドが対応しているかを更新後に確認したい。
利用者別の影響と対応
llama.cpp・Ollama・LM Studio などのエンドユーザーは、ggml のコードを直接触らないため、API の削除で自分のコードが壊れることはない。必要なのは各ツールの更新を待って適用することである。ただし、各ツールがどの時点の ggml を取り込んでいるかは、ここで確認できた範囲では公表情報として分からない。Ollama や LM Studio は独自のタイミングで取り込むため、更新の有無はそれぞれのリリースノートで確認してほしい。llama.cpp 本体では、非推奨APIの削除(#29801)が2026年11月12日に master へマージされている。
ggml を直接使っている開発者は、削除されたAPIの呼び出しを置き換える必要がある。PR #29801 の説明には削除対象の名前は載っているが、置き換え先は個別に書かれていない。新しい ggml.h と照らし合わせて呼び出し箇所を洗い出すのが確実である。確認できている移行先は次の2つである(PR #31946 より)。
- ggml_diag_mask_zero(ctx, a, 0) は ggml_tri(ctx, a, GGML_TRI_TYPE_LOWER_DIAG) に置き換える。対象は連続(contiguous)で正方形の F32 テンソルで、インプレースでないもの
- softmax の前に使っていた ggml_diag_mask_inf は、ggml_soft_max_ext に加算マスク(見える位置は 0、隠す位置は -INFINITY)を渡す形に置き換える
PR の説明では、削除した演算を使っているモデルはリポジトリ内にないとされている。ただしそれは llama.cpp 内の話であり、自作のモデル実装や古いチュートリアルのコードは対象外である。また、ヘッダ冒頭の古い説明コメントが言及していた ggml_set_param(コンテキストを取らなくなった)、ggml_graph_compute_with_ctx(CPU バックエンドのヘッダへ移動)、最適化API(ggml-opt.h へ移動)といった過去の変更も、古いコードでは引っかかりうる。
RPC で分散推論している人は、最も注意が必要である。テンソル演算の列挙値は RPC の通信で送られるため、演算が削除されると後ろの演算の番号がずれる。そのため RPC のプロトコルのメジャー版が上げられ、ハンドシェイクはメジャー版が完全一致しないピアを拒否する。パッチ版は比較されない。誤動作する代わりに接続が失敗するので安全側ではあるが、クライアントとサーバーで世代が混在した状態では動かない。クライアントと全 rpc-server を同じ世代にビルドし直して、同時に切り替える必要がある。
ビルドと更新の手順
ggml 単体の最小ビルドは、公式 README の手順どおりである。
git clone https://github.com/ggml-org/ggml
cd ggml
mkdir build && cd build
cmake ..
cmake --build . --config Release -j 8多くの利用者は ggml を単体ではなく llama.cpp 経由で使うので、実際の更新は llama.cpp を新しい master(または対応するリリースタグ)に追従させる作業になる。以下は一般的な流れの例で、バックエンドのオプションはお使いの環境に合わせて選ぶ。CUDA や Vulkan などのビルドオプションは llama.cpp 側のドキュメントが正である。
cd llama.cpp
git pull
# 以前のビルドに古い設定が残らないよう、ビルドディレクトリを作り直す
rm -rf build
cmake -B build
cmake --build build --config Release -j 8
# 動作確認(モデルのパスは自分の環境に合わせる)
./build/bin/llama-cli -m /path/to/model.gguf -p "Hello" -n 32RPC を使っている場合は、全ノードで同じ手順を踏んでから、サーバー側(rpc-server)を先に起動し、最後にクライアントを起動する。1台でも古いビルドが残っていると、ハンドシェイクで拒否される。この拒否の挙動は PR #31946 の記述に基づく。
# 各ノードで RPC を有効にしてビルドし直す
cmake -B build -DGGML_RPC=ON
cmake --build build --config Release -j 8
# ワーカー側
./build/bin/rpc-server -p 50052
# クライアント側(例)
./build/bin/llama-cli -m /path/to/model.gguf --rpc 192.168.0.10:50052 -p "Hello"上のオプション名(-DGGML_RPC=ON、rpc-server、--rpc)は、従来から llama.cpp で使われているものである。今回のリリースノートで名前が変わったという記載は確認していないが、お使いの版の --help で念のため確認してほしい。
移行チェックリスト
- 使っているツールが llama.cpp 直接か、Ollama・LM Studio など別ツール経由かを確認する
- llama.cpp を直接ビルドしているなら、最新の master に追従して、ビルドディレクトリを作り直す
- ggml のAPIを直接呼ぶコードで、削除された名前(GGML_OP_ADD1、ggml_mul_mat_set_prec、ggml_rope_custom、ggml_upscale_ext、ggml_flash_attn_ext_set_prec)を検索する
- ggml_diag_mask_zero / ggml_diag_mask_inf を使っていれば、ggml_tri または ggml_soft_max_ext の加算マスクへ置き換える
- RPC 構成は、クライアントと全 rpc-server を同じ世代でビルドし、同時に切り替える
- 長文脈(YaRN)モデルは、更新前後で同じプロンプトの出力を比べ、使うバックエンドが truncate 設定に対応しているか確認する
- 更新前にいまのビルドと動作する版のタグを控えておき、問題が出たら戻せるようにする
関連記事
llama.cpp を CPU だけで動かす応用例は llama-modchip で 284B の MoE を RAM 64GB・GPU なしで動かす解説 に、ローカルLLM全体の選び方は 2026年4月ローカルLLM最新全体像 に、Ollama を使った環境構築は Qwen 3.5-9B でクラウド代替環境を作る移行ガイド にまとめている。
よくある質問
ggml 1.0.0 にすると、Ollama や LM Studio は壊れますか。
ggml を直接呼ぶコードを書いていない限り、ユーザー側のコードが壊れることはありません。ただし各ツールがどの時点の ggml を取り込むかはツールごとのタイミングで決まり、公式情報としては確認できませんでした。更新の有無は各ツールのリリースノートで確認してください。
RPC で分散推論しています。一部のノードだけ更新してもよいですか。
よくありません。演算の列挙値が変わったため、RPC のメジャー版が上がり、ハンドシェイクはメジャー版が一致しないピアを拒否します。クライアントと全 rpc-server を同じ世代にして、同時に切り替えてください。
ggml 1.0.0 で推論は速くなりますか。
CUDA の少数行 MMQ、Metal の MoE 融合、Vulkan の FlashAttention prefill など、バックエンドごとの最適化は多数入っています。ただし公式リリースノートには速度の数値が載っていないため、どれだけ速くなるかは環境とモデル次第で、自分の環境で測る必要があります。
削除された ggml_diag_mask_zero はどう置き換えますか。
PR #31946 の記述では、ggml_diag_mask_zero(ctx, a, 0) は ggml_tri(ctx, a, GGML_TRI_TYPE_LOWER_DIAG) に置き換えます。対象は連続で正方形の F32 テンソルで、インプレースでないものです。softmax 前の ggml_diag_mask_inf は、ggml_soft_max_ext の加算マスクで表現します。
ggml のライセンスは何ですか。
README には MIT と記載されています。GitHub のリリースページ自体にはライセンス表記がないため、利用前にリポジトリの LICENSE ファイルも確認してください。
出典
- ggml v1.0.0 リリースノート: https://github.com/ggml-org/ggml/releases/tag/v1.0.0
- ggml README: https://github.com/ggml-org/ggml
- llama.cpp PR #29801(ggml : prune): https://github.com/ggml-org/llama.cpp/pull/29801
- llama.cpp PR #31946(DIAG_MASK の削除): https://github.com/ggml-org/llama.cpp/pull/31946
株式会社オブライト
株式会社オブライトは、ソフトウェア開発、デジタルサイネージ、Web開発、ネットワークシステム、IoT/AR/VRなどの技術サービスを提供する東京のIT企業です。
この記事に関連する無料ツール(登録不要・その場で結果)
お気軽にご相談ください
お問い合わせ