llama.cpp chega à versão 1.0: API estável, cache em FP8 e servidor mais fechado por padrão
vargas.com.br · · Ferramentas

Em 13 de novembro de 2026, o projeto llama.cpp publicou a versão 1.0.0, junto com a versão 1.0.0 da biblioteca ggml. O llama.cpp é o motor que roda modelos GGUF e serve de base para vários programas de IA local. Até aqui, as versões publicadas pelo projeto eram builds sequenciais (como b12359).
O que mudou
- Numeração com regra: o projeto passa a seguir versionamento semântico. Mudança que quebra a API pública vira versão maior (2.0, 3.0); recurso novo compatível vira versão menor; correção vira patch.
- Limpeza da API: saíram 35 funções obsoletas, a função
llama_set_warmup, o parâmetrodefrag_tholde a opção--defrag-thold. O arquivoclip.htambém foi removido, com o código reunido emmtmd. - Cache em FP8: o cache de contexto (KV) agora pode ser guardado em 8 bits com
-ctk f8_e4m3e-ctv f8_e4m3. As notas não trazem números de economia de memória. - Cache de especialistas: modelos do tipo mistura de especialistas (MoE) ganham um cache na memória do computador, com parte do trabalho dividida com o processador.
- Modelos novos: Kimi-K3.1-Pro, Ripple-65B-Preview, xing4_0 e o modelo de voz drama-3, da Fish Audio (veja a ficha do Fish Audio Drama 3).
- Servidor mais fechado: o
llama-servercorrigiu falhas de SSRF e de CORS, ganhou proteção contra DNS rebinding e passou a enviar oHF_TOKENsó para endereços do huggingface.co. - Voz pelo servidor: novo endpoint
/v1/audio/speech, compatível com o formato da OpenAI. - Interface web: grupos de conversas, editor com pré-visualização de markdown e layout para celular.
Para quem roda em casa
- Memória de placa: a versão não muda requisitos de nenhum modelo, e as notas não informam quanto o cache em FP8 economiza. O resultado depende do modelo e do tamanho do contexto.
- Scripts antigos: quem inicia o servidor com
--defrag-tholdprecisa tirar a opção. - Ferramentas e mídia pela rede: usar ferramentas sem chave de API em um servidor aberto para a rede, ou carregar mídia de endereços internos, agora exige ligar
--allow-unauthenticated-toolse--media-allow-private-urls. O padrão ficou mais seguro; só ligue se souber por quê. - Ollama e LM Studio: cada programa embute uma versão própria do llama.cpp e atualiza no seu ritmo. A versão de teste mais recente do Ollama (0.40.17-rc0, de 10 de novembro) ainda usa o build
b12257, anterior à 1.0. - Licença: MIT, que permite uso comercial. A licença de cada modelo é separada e continua valendo.
- ComfyUI: não se aplica; o llama.cpp é um programa à parte.
Onde baixar e como começar
- Notas completas e arquivos: llama.cpp v1.0.0 no GitHub.
- Além dos binários do GitHub (Windows, Linux, macOS, Android e iOS), o projeto lista instalação por Winget no Windows, Homebrew no macOS e Linux, Docker e conda-forge.
- Antes de atualizar, procure nos seus scripts pelas opções removidas e teste o servidor na própria máquina antes de abri-lo para a rede.
- Quem programa em cima da biblioteca deve conferir a lista de funções removidas nas notas da versão.
Fontes
- Fonte: notas da versão llama.cpp v1.0.0 (2026-11-13)
- Fonte: anúncio da ggml-org sobre o llama.cpp v1 (2026-11-13)
- Fonte: versões do Ollama (2026-11-10)