本地推理库 llama.cpp 发布 v1.0.0，底层张量库 ggml 同步升到 1.0。项目团队在 Hugging Face 博客上发文，说这一版是给依赖它的开发者一个更稳的基础：今后 llama.cpp 和 ggml 只要公共 API 或 ABI 出现不兼容，就体现为大版本号的变化。
过去几年，llama.cpp 的发版几乎全靠 b 开头的构建号，代码合进主干就出一个新构建，现在已经数到 b12000 以上。1.0 之后这套构建号并没有停，仍以预发布的形式持续产出；变化在于多了一条有承诺的正式版本线，用的人可以按需选择。
版本号从此有了含义
博客给出的规则很直白：MAJOR 对应 ./include 目录下公共 C 接口的破坏性改动，MINOR 是向后兼容的新功能或新模型支持，PATCH 只修 bug、不动接口，适用于 ggml-org 名下全部项目。团队写道，用的人越来越多，今后会更严格地让这些边界被看见。
为了干净起跑，1.0 先做了一轮清理：删除一批早已标为弃用的公共接口，部分函数改名，上下文参数结构体里加了新字段；ggml 一侧也去掉了弃用 API 和老的 DIAG_MASK 算子。对把 llama.cpp 当库链接进自家产品的开发者，这次升级要改一次代码，之后再跟小版本，就不必担心接口在某个构建里突然消失。
这一版加了什么
除了版本规则，1.0 本身也带来不少更新：
- KV 缓存支持 FP8；新增放在主机内存里的 MoE 专家缓存，可配置 CPU 分担比例；
- 新增 Kimi-K3.1-Pro 等模型支持，Kimi-K3.1 可以处理图像输入；
- llama-server 新增 /v1/audio/speech 语音合成接口，配合 drama-3 TTS 模型；
- 服务端修复 SSRF、CORS 和 DNS 重绑定问题，免认证调用工具、访问私有网址都改成需要显式打开，HF_TOKEN 只发往 huggingface.co。
最后一项对自建服务的人最实际。llama-server 常被当成本地的 OpenAI 兼容接口挂在内网，甚至直接暴露到公网，工具调用一旦默认放开，风险面会跟着放大。改成显式开启，等于把选择权交回给部署的人。
MoE 专家缓存则是冲着眼下的模型形态来的。今年的大模型大多是混合专家结构，总参数动辄几千亿，每一步只激活其中一小部分。显存放不下全部专家时，把暂时用不到的那部分挪到主机内存、按比例交给 CPU 计算，是在消费级显卡上跑大号 MoE 模型的常见折中，这次进了主线，用户不必再找第三方分支。
和数据中心那一路对照
推理框架如今分成两条路。vLLM、SGLang 这类框架面向数据中心 GPU，拼的是批量吞吐和并发；llama.cpp 的目标是让模型在手机、笔记本和工作站上跑起来，靠量化把大模型塞进有限内存，CPU 和 GPU 混合着用。
这一点从后端表能看出来：CUDA、Metal、Vulkan、WebGPU、AMD 的 HIP、英特尔的 SYCL、骁龙 Hexagon，以及摩尔线程的 MUSA 都在列，每个后端可以编成动态库、运行时按需加载。博客称它已支持 150 多种模型架构变体。数据中心框架追新硬件，llama.cpp 追的是长尾设备，两边的用户群重叠不大。
项目在 GitHub 上约有 13.5 万星标、2.56 万个 fork。团队目前在 Hugging Face，博客感谢了 HF 提供的 CI 算力，也列出英伟达、AMD、高通、Arm、IBM 和英特尔给的硬件支持。版本承诺能不能守住，要看接下来几个小版本有没有偷偷改接口。
参考来源：Hugging Face 博客、llama.cpp GitHub 发布页、CocoLoop、llama.cpp 仓库 README；发布页核验 1.0 新增功能、接口清理范围与后端列表。