分类： AI 工具排错

llama-server 在使用 --spec-type draft-mtp 且 KV cache 长期饱和时，会发生 cuBLAS 流指针损坏导致的硬崩溃（非优雅的上下文超限返回）。优先排查 MTP 双上下文路径中的主机端内存越界或悬垂指针问题，而不是 KV 容量配置。

该报错发生在 llama.cpp 使用 Vulkan 后端运行带有 view-aliased 状态（如循环状态）的模型时，Vulkan 图优化器可能错误地重排节点导致输出静默损坏，贪心解码可能选错 token。优先排查 Vulkan 优化器对张量视图依赖关系的判断，并尝试升级到包含修复补丁的版本。

此问题并非真正的内存泄漏，而是 llama.cpp 的 prompt cache（提示缓存）机制在混合 SSM/注意力模型（如 qwen35moe 架构）上为每条缓存条目分配了约 126 MiB 的固定大小内存，导致 RSS 随请求次数线性增长，直到达到默认的 8192 MiB 上限。优先排查方向是