Vulkan GATED_DELTA_NET pipeline compile hangs on gfx1103 (RADV 780M) — llama-server never reaches listening

快速结论：该问题发生在 llama.cpp Vulkan 后端加载包含 Gated DeltaNet（GDN）架构的 Qwen3-Next 模型时，在 AMD Radeon 780M（gfx1103）上进程会卡死在模型张量加载阶段，永远无法输出 llama_server: listening。优先排查方向是确认模型架构（是否为 qwen3next）与量化类型无直接关系，问题核心在于 RADV 驱动在 gfx1103 上处理特定 MoE/GDN 权重时的 GPU 提交异常。

适用环境：Ollama 0.33.2 内置 llama-server；Linux（Ubuntu Server 26.04）；Vulkan 后端（RADV）；AMD Ryzen 7 8745HS + Radeon 780M iGPU（gfx1103，RADV PHOENIX）；Mesa 25.2.8 / 26.1.7 / 26.2.1 均复现。

最快修复方案：暂无确认的一步修复方案。Issue 中已验证更换 Mesa 驱动版本（25.2.8、26.1.7、26.2.1）均无法解决，当前只能通过 CPU 后端加载（去掉 GGML_BACKEND_PATH）绕过，模型可在约 8.6 秒内完成加载并进入监听状态。

注意事项：问题已被标记为 bug-unconfirmed，官方尚未定位到首个坏提交；更换驱动、关闭 flash attention 或 --no-warmup 均无效。若必须使用 Vulkan，可优先尝试回退到 GDN Vulkan 支持合入（#20334）之前的版本，但 Issue 中未做验证。

问题场景

用户使用 Ollama 0.33.2 内置的 llama-server（/usr/lib/ollama/llama-server）通过 Vulkan 后端加载 Qwen3-Coder-Next 80B-A3B（Unsloth UD-IQ3_XXS GGUF，约 28.5 GiB）。在 AMD Radeon 780M（gfx1103，RADV PHOENIX）上，模型加载阶段一个 CPU 核心持续 100% 占用，GPU 占用约 0%，等待 180 秒甚至 30 分钟以上都无法看到 llama_server: listening 输出。进程可以被正常 kill，不是 GPU 内核复位。该问题同样出现在直接调用 llama-server + GGML_BACKEND_PATH 的场景，排除 Ollama 包装层问题。

报错原文

Vulkan GATED_DELTA_NET pipeline compile hangs on gfx1103 (RADV 780M) — llama-server never reaches listening

# Vulkan llama-server (hangs; full output until timeout 180s)
I srv    load_model: loading model '.../sha256-00a9bf4f9dcb6ef4fb78ef810e6b5dbd13cc604ceb0fa10f56c9ae2529c0ade4'
W load: control-looking token: 128247 '' was not control-type; this is probably a bug in the model. its type will be overridden
# never: "model loaded" / "listening"

原因分析

经过 Issue 中的 gdb 与 strace 排查，进程卡在 llama_model_loader::load_all_data 内部，并非 GDN 着色器编译阶段。每次 DRM_AMDGPU_CS（GPU 命令提交）耗时约 220ms，远高于正常几十微秒，且 GTT 内存使用量在 22.1–25.1 GiB 之间无限振荡，永不收敛。控制实验排除了 Ollama 包装层、GDN 架构本身和 i-quant 量化类型的单一影响因素：qwen35moe（同为 GDN 架构）在 IQ3_XXS 下可正常加载生成，而 qwen3next（Qwen3-Next-80B）在经典 Q2_K 量化下同样复现卡死。可能原因指向 RADV 驱动在 gfx1103 上处理 qwen3next 架构特定张量布局（head size 128 / KDA / 图结构）时出现 GPU 内存管理异常，而非 GDN 着色器本身。

环境排查

llama.cpp 版本：Ollama 0.33.2 内置 llama-server，libggml-vulkan.so 日期 2026-08-27
操作系统：Ubuntu Server 26.04，kernel 7.0.0-30-generic
显卡驱动：Mesa/RADV 25.2.8、26.1.7（kisak PPA）、26.2.1（源码编译）均复现
Vulkan API 版本：ICD api_version 1.4.318
硬件：AMD Ryzen 7 8745HS（8C/16T）+ Radeon 780M iGPU（gfx1103，12 CUs），Vulkan 设备约 47104 MiB
模型：Qwen3-Coder-Next 80B-A3B（qwen3next 架构）、Qwen3.6-35B-A3B（qwen35moe 架构，对照可正常加载）

解决步骤

使用 CPU 后端绕过（已验证有效）：不要设置 GGML_BACKEND_PATH，直接运行 llama-server。系统会提示 “no usable GPU found”，模型加载约 8.6 秒后正常进入监听状态，可正常生成。
确认是否必须使用 Vulkan：如果业务场景可接受 CPU 推理（80B-A3B 在 48 GiB UMA 内存下可行），优先保留 CPU 方案等待上游修复。
尝试其他模型架构（仅部分验证）：同为 GDN+MoE 的 Qwen3.6-35B-A3B（Q5_K_M）在 Vulkan 下可正常加载生成，说明并非所有 GDN 模型在 gfx1103 上都会失败。可优先尝试更换模型或量化版本。
等待上游修复（可优先尝试）：由于 Issue 标记为 bug-unconfirmed，且更换驱动版本无效，建议等待 llama.cpp 后续针对 RADV/gfx1103 的修复，或尝试回退到 GDN Vulkan 支持合入（2026-03-12 #20334）之前的版本，但该方案未经测试。

验证方法

确认问题解决的标准：运行 llama-server 后，日志输出中出现 model loaded 和 llama_server: listening，且能通过 HTTP 请求正常完成推理。若使用 CPU 方案，观察约 8.6 秒后是否出现 “model loaded” 提示；若测试其他模型架构，观察 Vulkan 加载是否在合理时间内（如几十秒内）完成并进入监听状态。