[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-vosen--ZLUDA":3,"tool-vosen--ZLUDA":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",146793,2,"2026-04-08T23:32:35",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":75,"owner_url":77,"languages":78,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":86,"env_os":109,"env_gpu":110,"env_ram":111,"env_deps":112,"category_tags":115,"github_topics":116,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":150},5792,"vosen\u002FZLUDA","ZLUDA","CUDA on non-NVIDIA GPUs","ZLUDA 是一款旨在打破硬件壁垒的开源项目，它让非 NVIDIA 显卡也能直接运行原本专为 NVIDIA CUDA 架构设计的应用程序。长期以来，许多高性能计算、人工智能训练及渲染软件深度依赖 CUDA 生态，导致使用 AMD 或 Intel 显卡的用户无法兼容这些工具，往往被迫更换硬件。ZLUDA 通过作为 CUDA 的“无缝替代品”，无需修改任何源代码或重新编译程序，即可在非 NVIDIA 显卡上启动并运行这些应用，且性能表现接近原生水平。\n\n这一特性极大地降低了硬件迁移成本，解决了因显卡品牌不同而导致的软件兼容性难题。无论是希望利用现有非 N 卡资源进行深度学习实验的研究人员，还是试图在多样化硬件环境中部署通用计算任务的开发者，亦或是受限于预算无法购买高端 NVIDIA 显卡的普通技术爱好者，都能从 ZLUDA 中获益。其核心技术亮点在于“即插即用”的兼容机制，屏蔽了底层指令集差异，让用户几乎无感地完成跨平台调用。如果你正为非 NVIDIA 显卡无法运行特定专业软件而困扰，ZLUDA 提供了一个高效、低门槛的解决方案，助你充分释放现有硬件潜力。","ZLUDA is a drop-in replacement for CUDA on non-NVIDIA GPUs. ZLUDA allows running unmodified CUDA applications using non-NVIDIA GPUs with near-native performance\n\n\u003Cdiv align=\"center\">\n\n\u003C!-- 80x28 104.75x28  62x28-->\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fquick start-green?style=for-the-badge&logo=readthedocs&logoColor=white\" width=\"267.5\" height=\"56\">](https:\u002F\u002Fzluda.readthedocs.io) [\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-%235865F2.svg?style=for-the-badge&logo=discord&logoColor=white\" width=\"209.5\" height=\"56\">](https:\u002F\u002Fdiscord.gg\u002Fsg6BNzXuc7) [\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fnews-red?style=for-the-badge&logo=book&logoColor=white\" width=\"124\" height=\"56\">](https:\u002F\u002Fvosen.github.io\u002FZLUDA\u002F)\n\n\u003Cdiv\u002F>\n","ZLUDA 是非 NVIDIA 显卡上 CUDA 的直接替代品。借助 ZLUDA，无需修改的 CUDA 应用程序可以在非 NVIDIA 显卡上以接近原生的性能运行。\n\n\u003Cdiv align=\"center\">\n\n\u003C!-- 80x28 104.75x28  62x28-->\n[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fquick start-green?style=for-the-badge&logo=readthedocs&logoColor=white\" width=\"267.5\" height=\"56\">](https:\u002F\u002Fzluda.readthedocs.io) [\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-%235865F2.svg?style=for-the-badge&logo=discord&logoColor=white\" width=\"209.5\" height=\"56\">](https:\u002F\u002Fdiscord.gg\u002Fsg6BNzXuc7) [\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fnews-red?style=for-the-badge&logo=book&logoColor=white\" width=\"124\" height=\"56\">](https:\u002F\u002Fvosen.github.io\u002FZLUDA\u002F)\n\n\u003Cdiv\u002F>","# ZLUDA 快速上手指南\n\nZLUDA 是一个无需修改代码即可在非 NVIDIA GPU（如 Intel Arc、AMD Radeon）上运行 CUDA 应用程序的替换层，性能接近原生。\n\n## 环境准备\n\n*   **操作系统**：Windows 10\u002F11 或 Linux (x86_64)。\n*   **硬件要求**：\n    *   **Intel**: Arc A 系列或更新的集成\u002F独立显卡（需安装最新 Intel GPU 驱动）。\n    *   **AMD**: RDNA2 架构或更新的显卡（需安装最新 AMD ROCm\u002FAdrenalin 驱动）。\n    *   *注意：不支持旧款 NVIDIA 显卡，本工具专为非 N 卡设计。*\n*   **前置依赖**：\n    *   已安装目标 GPU 的官方最新驱动程序。\n    *   待运行的 CUDA 应用程序（无需重新编译）。\n\n## 安装步骤\n\nZLUDA 通常为绿色免安装版，只需下载并解压即可使用。\n\n1.  **下载最新版本**\n    访问 [GitHub Releases](https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Freleases) 下载对应系统的压缩包（如 `zluda-windows-x86_64.zip` 或 `zluda-linux-x86_64.tar.gz`）。\n    > *国内用户若下载缓慢，可尝试使用镜像加速服务或代理工具。*\n\n2.  **解压文件**\n    将压缩包解压到任意目录，例如：\n    ```bash\n    # Windows 示例\n    mkdir C:\\zluda\n    # 将下载的文件解压至此目录\n\n    # Linux 示例\n    tar -xzf zluda-linux-x86_64.tar.gz -C ~\u002Fzluda\n    ```\n\n3.  **配置环境变量（可选但推荐）**\n    为了方便调用，可将 ZLUDA 目录添加到系统 `PATH`，或在运行应用前临时指定。\n\n## 基本使用\n\nZLUDA 的核心用法是通过其提供的加载器启动原本为 NVIDIA GPU 编译的 CUDA 程序。\n\n### Windows 使用方法\n\n在命令行中，使用 `zluda.exe` 包裹你的应用程序命令：\n\n```cmd\ncd C:\\path\\to\\zluda\nzluda.exe -- \"C:\\Path\\To\\Your\\CUDA\\App.exe\" [应用参数]\n```\n\n**示例**：运行一个名为 `benchmark.exe` 的 CUDA 测试程序：\n```cmd\nzluda.exe -- benchmark.exe\n```\n\n### Linux 使用方法\n\n在终端中，使用 `zluda` 二进制文件作为前缀：\n\n```bash\ncd ~\u002Fzluda\n.\u002Fzluda -- \u002Fpath\u002Fto\u002Fyour\u002Fcuda\u002Fapp [应用参数]\n```\n\n或者通过设置 `LD_PRELOAD` 环境变量（适用于某些特定集成场景）：\n\n```bash\nexport LD_PRELOAD=\u002Fpath\u002Fto\u002Fzluda\u002Flibzluda.so\n\u002Fpath\u002Fto\u002Fyour\u002Fcuda\u002Fapp\n```\n\n### 验证运行\n\n启动后，观察程序输出。如果成功，应用程序将识别到您的非 NVIDIA GPU 并正常执行 CUDA 内核，无需任何代码修改。","一家专注于计算机视觉研究的初创团队，试图在预算有限的情况下利用现有的 AMD 显卡集群训练深度学习模型。\n\n### 没有 ZLUDA 时\n- **硬件闲置浪费**：团队实验室中大量高性能的 AMD Radeon 显卡因无法原生运行 CUDA 代码而被迫闲置，只能依赖少量昂贵的 NVIDIA 卡进行开发。\n- **代码迁移成本高昂**：为了适配非 NVIDIA 硬件，工程师必须花费数周时间将核心算法从 CUDA 重写为 ROCm 或 OpenCL，不仅进度受阻还引入了新 Bug。\n- **生态兼容性差**：许多业界主流的预训练模型和工具链（如特定版本的 PyTorch 插件）仅支持 CUDA，导致团队无法直接复用开源成果，研发效率极低。\n- **性能表现不稳定**：即便勉强通过模拟层运行，推理速度也远低于预期，无法满足实时视频分析的业务需求。\n\n### 使用 ZLUDA 后\n- **无缝激活存量硬件**：ZLUDA 作为直接替换层，让团队无需修改任何代码即可直接在 AMD 显卡上运行原有的 CUDA 应用程序，瞬间盘活了所有闲置算力。\n- **零成本代码迁移**：开发人员完全省去了重写内核的痛苦，原本专为 NVIDIA 设计的未修改应用现在能直接在现有集群上编译运行，项目周期缩短了近一个月。\n- **完美兼容主流生态**：借助 ZLUDA，团队可以直接加载社区中丰富的 CUDA 专用预训练模型和工具库，不再受限于特定的硬件厂商生态。\n- **接近原生的性能表现**：基准测试显示，在 ZLUDA 加持下，AMD 显卡的运行效率达到了原生 NVIDIA 环境的近 90%，轻松支撑起高并发的实时推理任务。\n\nZLUDA 打破了 CUDA 生态对 NVIDIA 硬件的独占壁垒，让开发者能够以极低的成本自由利用异构算力资源。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvosen_ZLUDA_67f09498.png","vosen","Andrzej Janik","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fvosen_59278c12.png",null,"vosen@vosen.pl","https:\u002F\u002Fgithub.com\u002Fvosen",[79,83,87,91,95,99,102],{"name":80,"color":81,"percentage":82},"Rust","#dea584",95.2,{"name":84,"color":85,"percentage":86},"LLVM","#185619",4,{"name":88,"color":89,"percentage":90},"C++","#f34b7d",0.4,{"name":92,"color":93,"percentage":94},"C","#555555",0.3,{"name":96,"color":97,"percentage":98},"Python","#3572A5",0,{"name":100,"color":101,"percentage":98},"Dockerfile","#384d54",{"name":103,"color":104,"percentage":98},"C#","#178600",14077,898,"2026-04-08T21:16:37","Apache-2.0","Windows, Linux","必需非 NVIDIA GPU（支持 Intel Arc 或 AMD ROCm），用于替代 CUDA 运行未修改的 CUDA 应用；具体显存大小和 CUDA 版本未说明（因本工具旨在无需原生 CUDA 环境即可运行）","未说明",{"notes":113,"python":111,"dependencies":114},"ZLUDA 是 CUDA 的直接替代品，专为在非 NVIDIA GPU（如 Intel 或 AMD 显卡）上运行未经修改的 CUDA 应用程序而设计，性能接近原生。具体的安装依赖和系统要求需参考官方快速启动文档。",[],[14],[117,118],"cuda","rust","2026-03-27T02:49:30.150509","2026-04-09T12:33:50.930424",[122,127,132,137,142,146],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},26253,"Meshroom 在 DepthMap 阶段崩溃或报错内存不足（Out of Memory）怎么办？","这通常是因为显存不足或 CUDA 版本兼容性问题。解决方案如下：\n1. 安装 CUDA 11.0 版本（下载地址：https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-11.0-download-archive）。\n2. 将 CUDA 安装路径（例如：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.0\\bin）添加到系统的 Path 环境变量中。\n3. 使用社区预编译的 Meshroom 包（参考链接：https:\u002F\u002Fgithub.com\u002Falicevision\u002Fmeshroom\u002Fissues\u002F595#issuecomment-2028438649）。\n此方法已在 AMD 6750 XT 等显卡上验证有效。","https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fissues\u002F79",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},26254,"如何在 AMD Vega (gfx8\u002Fgfx9) 系列显卡上修复 Stable Diffusion 生成图像异常的问题？","该问题是由于 ZLUDA 主机代码错误地将 warp size 报告为 64，而内核编译器实际使用 32 编译，导致 PyTorch 混淆。此问题已在 PR #216 中修复。请确保更新到包含该修复的最新版本 ZLUDA。更新后，Vega 20 (Radeon Pro VII) 及 gfx906 用户已验证图像生成恢复正常。","https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fissues\u002F208",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},26255,"如何资助 ZLUDA 项目以支持其长期开发？","ZLUDA 的开发目前已经获得资金支持。维护者 vosen 表示目前不考虑众筹（crowdsourcing），而是正在寻找商业赞助商（commercial backer）。您可以关注官方博客 (https:\u002F\u002Fvosen.github.io\u002FZLUDA\u002Fblog\u002Fzludas-third-life\u002F) 获取最新进展。虽然有用户建议设立类似 Vue.js 或 Blender 的多方赞助机制，但目前的策略是寻求单一商业合作伙伴。","https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fissues\u002F57",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},26256,"在 Windows 上构建 ZLUDA 时遇到 llvm-sys 错误导致失败怎么办？","这是一个已知的构建环境问题，通常与工具链版本不匹配有关。虽然具体的解决步骤在提供的片段中被截断，但此类错误通常需要通过以下方法排查：\n1. 确保 Rust 版本与项目要求一致（尝试使用 rustup 切换到稳定版或项目指定的 nightly 版本）。\n2. 检查 CMake 版本，有时过新的 CMake（如 3.29 rc 版）会导致策略警告进而引发构建失败，建议尝试稳定的旧版本（如 3.26+）。\n3. 确保已正确安装 LLVM 依赖，或者让构建脚本自动下载正确的 LLVM 版本。\n注意：如果使用的是预编译二进制文件，则无需自行构建。","https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fissues\u002F108",{"id":143,"question_zh":144,"answer_zh":145,"source_url":126},26257,"ZLUDA 是否支持 Polaris 架构的 GPU？","Polaris 架构的支持存在争议和限制。有用户报告在 Polaris GPU 上使用 Meshroom 时遇到 `Could not allocate pinned host memory` 错误。虽然 ZLUDA 旨在通过转换层支持 AMD 显卡，但某些特定应用（如涉及大量固定内存分配的深度图计算）可能在旧架构上不稳定。如果遇到此类问题，建议尝试降低处理分辨率、减少批次大小，或参考针对特定应用的 CUDA 版本回退方案（如降级到 CUDA 11.0）。",{"id":147,"question_zh":148,"answer_zh":149,"source_url":126},26258,"为什么我的 AMD 显卡在 ZLUDA 下显示显存可用量为 0 MB？","日志中出现 `device memory available: 0 MB` 以及 `cudaErrorNotSupported` 警告，通常是因为 ZLUDA 通过 ROCm\u002FHIP 后端查询显存信息时，驱动程序未能正确返回可用显存数据，或者是 ZLUDA 的内存查询逻辑在特定驱动版本下不兼容。这不一定意味着显存真的耗尽，但可能导致应用程序因无法分配内存而崩溃。解决方法包括：\n1. 更新 AMD Adrenalin 驱动程序到最新版本。\n2. 尝试使用不同版本的 ROCm 后端（如果适用）。\n3. 对于特定应用（如 Meshroom），按照前述方案更换 CUDA 版本或使用预编译包可能绕过此检测逻辑。",[151,156,161,166,171,176,181,186,191,196,201,206,211,216,221,226,231,236,241,246],{"id":152,"version":153,"summary_zh":154,"released_at":155},170084,"v6-preview.63","## 变更内容\n* PyTorch 修复和改进，由 @vosen 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F620 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.62...v6-preview.63","2026-03-21T02:28:23",{"id":157,"version":158,"summary_zh":159,"released_at":160},170085,"v6-preview.62","## 变更内容\n* 由 @vosen 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F621 中添加了精简版 cuSPARSE\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.61...v6-preview.62","2026-03-14T06:42:42",{"id":162,"version":163,"summary_zh":164,"released_at":165},170086,"v6-preview.61","## 变更内容\n* @vosen 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F619 中添加了对 COEIROINK 所需的部分 cublaslt 设置的支持\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.60...v6-preview.61","2026-03-03T06:26:58",{"id":167,"version":168,"summary_zh":169,"released_at":170},170087,"v6-preview.60","## 变更内容\n* 由 @vosen 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F615 中添加了 PyTorch 所需的各类小改动和补充。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.59...v6-preview.60","2026-03-02T18:33:18",{"id":172,"version":173,"summary_zh":174,"released_at":175},170088,"v6-preview.59","## 变更内容\n* 由 @vosen 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F616 中添加对 cuMemAllocPitch_v2 和 cuMemcpy2D_v2 的支持\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.58...v6-preview.59","2026-02-21T04:23:21",{"id":177,"version":178,"summary_zh":179,"released_at":180},170089,"v6-preview.58","## 变更内容\n* 由 @zluda-violet 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F587 中实现：允许将 cublasCreate 返回的句柄用于 cublasLt 调用。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.57...v6-preview.58","2026-02-18T06:08:41",{"id":182,"version":183,"summary_zh":184,"released_at":185},170090,"v6-preview.57","## 变更内容\n* 由 @zluda-violet 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F609 中完成扩展精度算术运算\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.56...v6-preview.57","2026-02-17T05:28:54",{"id":187,"version":188,"summary_zh":189,"released_at":190},170091,"v6-preview.56","## 变更内容\n* 修复从 dark API 加载 CUDA 模块的问题，并由 @vosen 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F612 中添加了一个用于验证 Windows 库加载的工具。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.55...v6-preview.56","2026-02-16T22:00:36",{"id":192,"version":193,"summary_zh":194,"released_at":195},170092,"v6-preview.55","## 变更内容\n* ctlz 错误修复，由 @zluda-violet 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F610 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.54...v6-preview.55","2026-01-21T05:23:20",{"id":197,"version":198,"summary_zh":199,"released_at":200},170093,"v6-preview.54","## 变更内容\n* 由 @zluda-violet 在 https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F607 中实现了扩展精度整数加法\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.53...v6-preview.54","2026-01-20T22:18:58",{"id":202,"version":203,"summary_zh":204,"released_at":205},170094,"v6-preview.53","## What's Changed\n* Host functions for vLLM by @zluda-violet in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F606\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.52...v6-preview.53","2026-01-15T21:43:43",{"id":207,"version":208,"summary_zh":209,"released_at":210},170095,"v6-preview.52","## What's Changed\n* Add sad and dp2a instructions by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F605\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.51...v6-preview.52","2026-01-15T21:19:26",{"id":212,"version":213,"summary_zh":214,"released_at":215},170096,"v6-preview.51","## What's Changed\n* Use partial parsing result in release mode by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F603\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.50...v6-preview.51","2026-01-13T22:17:51",{"id":217,"version":218,"summary_zh":219,"released_at":220},170097,"v6-preview.50","## What's Changed\n* Update docs (add llama.cpp, zluda_precompile sections) by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F602\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.49...v6-preview.50","2026-01-13T01:53:42",{"id":222,"version":223,"summary_zh":224,"released_at":225},170098,"v6-preview.49","## What's Changed\n* Stop failing on bf16 uint_to_fp on amdgpu \u003C gfx11 by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F601\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.48...v6-preview.49","2026-01-12T20:34:39",{"id":227,"version":228,"summary_zh":229,"released_at":230},170099,"v6-preview.48","## What's Changed\n* Add CUDA 13.1 compatibility by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F599\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.46...v6-preview.48","2026-01-09T20:34:18",{"id":232,"version":233,"summary_zh":234,"released_at":235},170100,"v6-preview.46","## What's Changed\n* Correctly zero-initialize globals by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F588\n* When building  ZLUDA in CI, make sure we build Linux binaries compatible with both ROCm 6 and ROCm 7 by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F589\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.44...v6-preview.46","2026-01-08T21:41:54",{"id":237,"version":238,"summary_zh":239,"released_at":240},170101,"v6-preview.47","## What's Changed\n* Correctly zero-initialize globals by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F588\n* When building  ZLUDA in CI, make sure we build Linux binaries compatible with both ROCm 6 and ROCm 7 by @vosen in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F589\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.44...v6-preview.47","2026-01-08T21:40:10",{"id":242,"version":243,"summary_zh":244,"released_at":245},170102,"v6-preview.45","## What's Changed\n* Allow implicit conversion from bit scalar to vec for st by @zluda-violet in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F585\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.43...v6-preview.45","2026-01-03T13:29:09",{"id":247,"version":248,"summary_zh":249,"released_at":250},170103,"v6-preview.44","## What's Changed\n* Allow implicit conversion from bit scalar to vec for st by @zluda-violet in https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fpull\u002F585\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fvosen\u002FZLUDA\u002Fcompare\u002Fv6-preview.43...v6-preview.44","2026-01-03T13:14:10"]