UnleashedRecomp项目中的几何缺失问题分析与优化方案
2025-06-17 13:41:05作者:裘晴惠Vivianne
问题背景
在UnleashedRecomp项目中,某些系统环境下(特别是使用集成显卡的系统)会出现Spagonia地区几何体缺失的问题。经过技术团队深入分析,发现这是由于系统无法正确处理复制队列(copy queue)与图形工作重叠执行所导致的资源加载性能问题。
技术原理分析
现代图形API(如Vulkan和DirectX 12)设计上支持多队列并行处理,其中复制队列专门用于数据传输任务。理想情况下,复制队列应该能够与图形队列并行工作,实现异步资源加载。然而在某些硬件(特别是集成GPU)上,驱动程序可能无法真正实现这种并行处理,导致所有工作实际上都在单一队列上串行执行。
当这种硬件限制出现时,资源加载性能会严重依赖帧率。帧时间越短(如在窗口模式下),资源加载速度相对越快;反之在全屏模式下,由于帧时间较长,资源加载会变得异常缓慢,最终导致游戏场景中的几何体无法及时加载完成。
问题表现
受影响用户通常会观察到以下现象:
- Rooftop Run Act 1等场景加载时间异常延长
- 场景中部分几何体缺失或延迟出现
- 不同图形API表现差异明显(Vulkan全屏模式问题尤为严重)
- 后续加载比首次加载更慢(缓存机制未按预期工作)
解决方案
技术团队已经提出了针对性的优化方案,主要包含以下改进:
- UMA传输优化:针对统一内存架构(UMA)设备设计更高效的数据传输路径,减少队列依赖
- 缓冲区传输优化:优先优化缓冲区资源的传输逻辑,显著提升几何体加载速度
- 纹理传输优化:计划中的后续改进,解决纹理资源加载的性能瓶颈
技术验证
通过Pull Request构建的测试版本显示,优化方案已取得显著效果:
- Eggmanland场景加载时间大幅缩短
- Rooftop Run和Savannah Citadel等场景性能明显改善
- 虽然仍有提升空间,但基础几何体缺失问题已基本解决
未来展望
技术团队将继续完善资源加载系统,特别是针对纹理传输的优化工作。同时会进一步研究不同硬件平台上的队列并行处理特性,确保在各种系统配置下都能获得良好的性能表现。
对于遇到类似问题的用户,建议关注项目更新并尝试最新的优化构建,同时可以适当降低游戏分辨率作为临时解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322