llama : temp fix for clearing "future" tokens from the KV cache

Author: ggerganov

llama.cpp

@@ -7478,6 +7478,25 @@ void llama_batch_free(struct llama_batch batch) {
 int llama_decode(
         struct llama_context * ctx,
           struct llama_batch   batch) {
+    // TODO: temporary solution to auto clear "future" tokens from the cache
+    //       ref: https://github.com/ggerganov/llama.cpp/pull/3400
+    if (batch.pos) {
+        std::map<llama_seq_id, llama_pos> seq_min_pos;
+        for (int i = 0; i < batch.n_tokens; i++) {
+            if (seq_min_pos.count(batch.seq_id[i]) == 0) {
+                seq_min_pos[batch.seq_id[i]] = batch.pos[i];
+            } else {
+                seq_min_pos[batch.seq_id[i]] = std::min(seq_min_pos[batch.seq_id[i]], batch.pos[i]);
+            }
+        }
+
+        for (auto & kv : seq_min_pos) {
+            llama_kv_cache_seq_rm(ctx->kv_self, kv.first, kv.second, ctx->cparams.n_ctx);
+        }
+    } else {
+        llama_kv_cache_seq_rm(ctx->kv_self, batch.all_seq_id, batch.all_pos_0, ctx->cparams.n_ctx);
+    }
+
     const int ret = llama_decode_internal(*ctx, batch);
     if (ret < 0) {
         LLAMA_LOG_ERROR("%s: failed to decode, ret = %d\n", __func__, ret);