USD项目在Intel Mac上使用Radeon Pro 560时的纹理创建问题分析
在Pixar的USD项目开发过程中,开发人员发现了一个特定硬件环境下的纹理创建问题。该问题出现在配备Intel处理器和Radeon Pro 560显卡的Mac设备上,当执行aovInputTask任务创建深度缓冲区纹理时会导致程序崩溃。
问题现象
当系统尝试创建深度缓冲区纹理时,会抛出以下Metal API验证错误:
-[MTLTextureDescriptorInternal validateWithDevice:] failed assertion Texture Descriptor Validation MTLTextureDescriptor: Depth, Stencil, DepthStencil textures cannot be allocated with MTLStorageModeShared or MTLStorageModeManaged on this device.
这个错误表明在当前设备上,深度、模板或深度模板纹理不能使用MTLStorageModeShared或MTLStorageModeManaged存储模式进行分配。
问题根源
经过技术分析,这个问题是在项目提交#3215中引入的。具体来说,问题出在纹理创建时使用的资源选项设置上。在pxr/imaging/hgiMetal/texture.mm文件的第27行,纹理创建时使用了不兼容的存储模式选项。
解决方案
开发团队发现,当将resourceOptions设置为MTLResourceStorageModePrivate时,该问题在Radeon Pro 560平台上能够得到解决。这个修改确保了纹理创建使用设备私有的存储模式,而不是共享或托管模式,从而避免了硬件限制导致的崩溃问题。
技术背景
在Metal图形API中,纹理存储模式决定了数据如何在CPU和GPU之间传输和存储:
- MTLStorageModePrivate:完全由GPU管理,CPU无法直接访问
- MTLStorageModeShared:CPU和GPU都可以访问
- MTLStorageModeManaged:主要用于macOS,允许CPU和GPU访问,但需要显式同步
某些特定类型的纹理(如深度/模板缓冲区)在某些硬件上对存储模式有特殊限制,这通常与硬件的内存架构和优化策略有关。Radeon Pro 560显卡对深度相关纹理的存储模式限制就是一个典型的例子。
影响范围
这个问题主要影响:
- 使用Intel处理器和Radeon Pro 560显卡组合的Mac设备
- 涉及深度缓冲区创建的渲染流程
- 使用特定版本USD库的项目
修复状态
该问题已被Pixar内部标记为USD-10522,并已通过代码提交b787c84得到修复。修复方案已被合并到项目主分支中。
对于遇到类似问题的开发者,建议检查纹理创建时的存储模式设置,特别是在处理深度相关纹理时,考虑使用MTLResourceStorageModePrivate选项作为兼容性解决方案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00