装了 oneAPI 还是找不到 GPU:Level Zero 与设备选择器排查
把「驱动装了」「运行时装了」「应用能看到设备」拆成三层,用 sycl-ls、ze_info 和 ONEAPI_DEVICE_SELECTOR 逐层定位。含多卡指定、核显独显排序、容器 /dev/dri 透传与常见误判。
oneAPI 装完、setvars 也执行了,sycl-ls 一跑仍然只有 CPU——这种情况多数不是安装失败,而是把三件不同的事当成了一件:显卡驱动装没装、运行时装没装、应用有没有被允许看到设备。这三层任意一层断掉,表现出来的症状几乎一模一样:torch.xpu.is_available() 是 False,llama.cpp 只列出 CPU,ComfyUI 直接退回 CPU 出图。
本文按这三层给出一条固定的排查顺序,并把 sycl-ls、ze_info 的输出怎么读、ONEAPI_DEVICE_SELECTOR 这类选择器怎么写讲清楚。文中的版本号核对时间为 2026 年 11 月 18 日,来自 Intel 官方文档与 release notes,驱动和运行时都在持续更新,具体数字请以你机器上的输出为准。
先给结论:先看 /dev/dri 或设备管理器,再看 clinfo -l,最后看 sycl-ls。 前一步不过,后一步的结果没有意义;sycl-ls 里出现 [level_zero:gpu] 但程序仍走 CPU,问题就只剩选择器和权限,跟驱动无关了。
三层各自是什么,断了会怎样
把这三层拆开,症状其实是可以区分的。
| 层 | 具体组成 | 确认方式 | 这一层断了的表现 |
|---|---|---|---|
| 内核态驱动(KMD) | Linux 的 i915 / xe,Windows 的显卡驱动包 | ls /dev/dri、lspci -nn、设备管理器 | 连 renderD128 都没有,clinfo 也列不出设备 |
| 用户态运行时(UMD + loader) | Intel 计算运行时、Level Zero loader、oneAPI 运行时库 | clinfo -l、xpu-smi query | clinfo 有卡,sycl-ls 只有 [opencl:gpu] |
| 应用可见性 | 设备选择器、用户组权限、容器透传 | 应用自身日志里的 device id | 设备在列表里,程序仍在 CPU 上跑 |
第一层在 Linux 上现在主要是内核版本问题。Intel 的客户端 GPU 安装文档写明:Battlemage、Lunar Lake、Panther Lake 在 Ubuntu 26.04 及以后开箱即用;需要 6.17 以上内核的卡就用 26.04,需要 6.8 以上内核的卡用 24.04。换句话说,Ubuntu 22.04 配 B580 这类组合,驱动装不上不是命令写错,是内核太旧。
第二层最容易被忽略的是 Level Zero。clinfo 走的是 OpenCL,只要 OpenCL ICD 装了它就有输出;而 PyTorch XPU 和 llama.cpp 的 SYCL 后端走的是 SYCL → Unified Runtime → Level Zero 这条链。sycl-ls 打印的那句 Intel(R) oneAPI Unified Runtime over Level-Zero 就是这条链的自述。所以「clinfo 能看到卡,torch.xpu.is_available() 却是 False」是一个很典型的中间层缺口。
这一层还藏着一个版本陷阱。从 2026.0 起,Intel 把 Base Toolkit 和 HPC Toolkit 合并成了单一的 oneAPI Toolkit,同时把 oneDNN 从 Deep Learning Essentials 包里移出去单独分发。
llama.cpp 的 SYCL 文档记录了这个变化,并说明它为什么改用 Toolkit 安装包做 CI:DLE 里已经没有 oneDNN 了。所以「装了 Deep Learning Essentials,编译 SYCL 后端却报找不到 oneDNN」不是命令写错,是包装错了。
当前节奏是 2026.0(2026-04-29)、2026.1(2026-07-07)、2026.2(2026-10-23),DPC++ 编译器与 oneMKL 跟随同号;oneDPL 是 2022.14.0 这套独立编号,看到 2022 开头不要以为装旧了。
第三层跟驱动完全无关,但症状最像驱动坏了。
判读 sycl-ls:一行输出里有两个版本号
llama.cpp 的 SYCL 文档给了一份可以直接对照的样本输出:
[level_zero:gpu][level_zero:0] Intel(R) oneAPI Unified Runtime over Level-Zero, Intel(R) Arc(TM) A770 Graphics 12.55.8 [1.3.29735+27]
[level_zero:gpu][level_zero:1] Intel(R) oneAPI Unified Runtime over Level-Zero, Intel(R) UHD Graphics 730 12.2.0 [1.3.29735+27]
[opencl:cpu][opencl:0] Intel(R) OpenCL, 13th Gen Intel(R) Core(TM) i5-13400 OpenCL 3.0 (Build 0) [2025.20.8.0.06_160000]
[opencl:gpu][opencl:1] Intel(R) OpenCL Graphics, Intel(R) Arc(TM) A770 Graphics OpenCL 3.0 NEO [24.39.31294]
一行里有四个信息位,从右往左读:
- 方括号里的
1.3.29735+27是 Level Zero loader 与 Unified Runtime 的版本,它跟 oneAPI 安装包走,重装 oneAPI 才会变。 - 显卡名后面的
12.55.8是 UMD,也就是用户态驱动的版本,它跟显卡驱动走。它和驱动包号不是一套编号,下面单独说。 - 行首的
[level_zero:0]是后端内索引,ONEAPI_DEVICE_SELECTOR用的就是它。 - 同一块卡会在
level_zero和opencl两个后端各出现一次,这是正常的,不是装了两份驱动。
这里有个坑:12.55.8 和 Windows 驱动包号 32.0.101.9175 不是同一套编号,不能拿来直接比大小。要判断驱动新旧,看驱动安装包的发布日期,或者看 ze_info、xpu-smi 报的驱动版本,别盯 sycl-ls 里的这个小数。
如果输出里只有 [opencl:gpu] 而没有 [level_zero:gpu],说明 Level Zero 这一层没起来。先确认 loader 是否存在,再确认 UMD 是否装全。Windows 上对应的检查是 sycl-ls.exe,前缀在旧版本里显示为 [ext_oneapi_level_zero:gpu],看到这个前缀不要以为是自己装错了版本。
sycl-ls --verbose 会把每个设备的 selector 候选、device type、driver version 全列出来,比默认输出更适合贴给同事看。
如果连 sycl-ls 都只报「发现 0 个设备」,可以开运行时追踪。现行文档里这个变量叫 SYCL_UR_TRACE,取值是位掩码:1 只打印 adapter 与设备发现过程,2 打印每一次 Unified Runtime 调用,-1 全开。
老资料里写的 SYCL_PI_TRACE 是改名前的叫法,新版运行时上不生效。Level Zero 这一层自己的调试输出用 ZE_DEBUG=1 打开,它会把调用的 Level Zero API 和事件信息打出来。两个变量一起用,能很快区分「loader 没找到 UMD」和「找到了但枚举失败」。
三种最常见的输出组合,对应的结论完全不同:
只有 [opencl:cpu]、[opencl:gpu],没有任何 level_zero 行——计算运行时或 loader 缺失。这时候驱动是好的,别去重装驱动。
[level_zero:gpu] 和 [opencl:gpu] 同时存在,但只有一个后端能跑通——通常是 oneAPI 版本与 UMD 版本错配。这种情况多半是机器上装过两套运行时,loader 加载到了旧的那一份;把重复的运行时清掉比升级驱动有效。
[level_zero:gpu] 存在、程序却仍然报「找不到设备」——去看程序自己的选择器。llama.cpp 会用 ONEAPI_DEVICE_SELECTOR,PyTorch 会用 ZE_AFFINITY_MASK,两者的语义不完全一样,同时设了容易互相抵消。
选择器:从后端选到具体那张卡
ONEAPI_DEVICE_SELECTOR 的语法是 后端:设备,多个用分号分隔,! 开头表示排除。后端名可以是 level_zero、opencl、cuda、hip, 表示全部;设备可以是 gpu、cpu、数字索引,或者 0. 这种子设备写法。
几个常用写法:
# Linux:只用第一块 Level Zero 卡
export ONEAPI_DEVICE_SELECTOR="level_zero:0"
# 用 0 号和 2 号卡
export ONEAPI_DEVICE_SELECTOR="level_zero:0;level_zero:2"
# 所有 GPU 里排除 CPU 类型设备
export ONEAPI_DEVICE_SELECTOR="*:gpu"
# 让设备顺序按 PCI 总线号从低到高固定下来
export ZE_ENABLE_PCI_ID_DEVICE_ORDER=1
# Windows PowerShell
$env:ONEAPI_DEVICE_SELECTOR="level_zero:0"
$env:ZE_ENABLE_PCI_ID_DEVICE_ORDER="1"
ZE_ENABLE_PCI_ID_DEVICE_ORDER 值得单独说。Level Zero 规范的原文是「强制驱动按 PCI 总线号从低到高上报设备」。不设它,多卡机器每次枚举的顺序可能变,level_zero:0 今天指向独显、明天指向核显。Hugging Face 的 Transformers 文档给多卡训练的建议就是同时设 ZE_ENABLE_PCI_ID_DEVICE_ORDER=1 和 ZE_AFFINITY_MASK,理由正是顺序要稳定。
选择器写错时运行时只给一条 warning,不会报错退出——匹配不到任何设备就退回默认设备,于是「设了等于没设」。这条特性造成的误判最多,改完记得回头看一眼日志。
ZE_AFFINITY_MASK 是 Level Zero 层的过滤,写 0,2 就只暴露这两块卡给上层;ZE_FLAT_DEVICE_HIERARCHY 取 COMPOSITE、FLAT、COMBINED,决定子设备怎么呈现。这两个变量作用在比 ONEAPI_DEVICE_SELECTOR 更下面的一层,所以在容器里或者用非 SYCL 程序时更有效。
核显和独显同时在的机器还有一个更省事的开关:Level Zero loader 支持 ZEL_DRIVERS_ORDER,取值里包含 DISCRETE_GPU_ONLY、INTEGRATED_GPU_ONLY、NPU。写 ZEL_DRIVERS_ORDER=DISCRETE_GPU_ONLY:0,GPU 就能把独显驱动排到最前面,索引 0 从此指向独显。这比在每个程序里改选择器更彻底。
如果一台机器上不只 Intel 一家厂商的加速器,ONEAPI_DEVICE_SELECTOR 只能按后端和设备类型筛,SYCL_DEVICE_ALLOWLIST 还能按 vendor id、驱动版本、设备名做正则匹配。它的格式是 BackendName、DeviceType、DeviceVendorId、DriverVersion、DeviceName 这几组键值,多条规则用 | 连接。这个变量在混合节点的 CI 上比 selector 更稳,因为它不依赖枚举顺序。
容器里透传 /dev/dri 只是第一步
Intel 官方的计算运行时容器文档给的启动方式是这套参数:
DEVICE=${DEVICE:-/dev/dri/renderD128}
DEVICE_GRP=$(stat --format %g "$DEVICE")
docker run -it --rm \
--device "$DEVICE" \
--group-add "$DEVICE_GRP" \
-v /dev/dri/by-path:/dev/dri/by-path \
--ipc=host \
intel/compute-runtime:latest
四个参数各有原因,少一个就会出现「容器里 sycl-ls 空着」:
--device只给主设备号,内核会连带放行从设备,但前提是宿主的renderD128真的存在。--group-add补的是组权限。宿主上非 root 用户要能访问 GPU,得在render和video组里,而且必须重新登录才生效;容器里的 uid 不一定在这个组,所以要显式加。-v /dev/dri/by-path挂的是按 PCI 地址命名的符号链接目录。多卡机器靠它把「第几张卡」和「哪个 PCI 槽」对上,vLLM 和 llama.cpp 的容器示例都带这一条。--ipc=host是共享内存,多进程推理会用到。
这里有个细节值得单独提:/dev/dri 下同时有 card0 和 renderD128,前者是显示节点,后者才是计算节点。只透传 card0 的容器,sycl-ls 有时候能看到设备却分配不出内存,症状比「完全看不到」更难判断。稳妥的做法是 --device /dev/dri 整目录给进去,再按上面的方式补组权限。
oneAPI 官方容器更简单,docker run --device=/dev/dri -it intel/deep-learning-essentials 就够了,因为镜像里运行时是全的。但如果你用的是自己拼的镜像,记住容器里需要的是 UMD 和 loader,不是宿主的内核模块——内核模块永远来自宿主。
还要提醒一句 --privileged。它能一把解决权限问题,但同时也把真正的原因盖住了:缺的往往只是 render 组的 gid。等这套镜像搬到受限运行时或 K8s 上,同样的问题会以另一种形式回来,而且更难查。
WSL2 是另一个容易踩的形态:GPU 由 Windows 宿主驱动持有,guest 里只装用户态包。Intel 文档给的 apt 清单是 libze1 libze-intel-gpu1 intel-opencl-icd clinfo libze-dev intel-ocloc,验证方式是先 ls -l /dev/dxg,再 clinfo -l。
ze_info 看的是驱动,不是框架
ze_info 是 Intel pti-gpu 仓库里的示例程序,作用类似 clinfo,但走 Level Zero 接口。它有两个开关:-l 只列驱动和设备,-a 打印全部细节。
-a 的输出里,下面几项最有用:
Number of Drivers:系统里有几个 Level Zero 驱动。核显和独显各算一个,装了 NPU 驱动还会再多。Driver Version:驱动侧版本号,跟sycl-ls里显卡名后面那个数字是同一套。Device Name与Device ID:后者是 PCI 设备号,可以拿去和lspci -nn的输出对齐,确认枚举到的到底是不是你以为的那张卡。Maximum Memory Allocation Size:单次分配上限。Arc 上这一项经常只有 4GiB 上下,遇到「显存明明够却分配失败」时先看它。
读这两个工具要交叉着看。ze_info -l 一个驱动都不列,说明 loader 在、UMD 没被加载,这和 sycl-ls 里没有 level_zero 行是同一件事的两种说法。反过来,ze_info 有驱动、sycl-ls 却没有,问题就移到 SYCL 运行时那一侧,多半是 oneAPI 版本和 UMD 对不上。
ze_info 在 Windows 上要自己用 CMake 编,官方 README 标注的是「Windows 支持开发中」;Linux 上直接 cmake 加 make 就行。不想编译的话,xpu-smi query 也能给出 UMD 版本、KMD 版本和 Level Zero loader 版本三行。这三行正好对应本文开头的三层,Windows 上 KMD 那行会显示 N/A,属正常。
按这个顺序验证,能省掉大部分来回
给一套可以直接照抄的顺序,每步都要求「看到预期输出」再进下一步:
- 宿主能看见设备:Linux 看
ls /dev/dri有没有renderD128,lspci -nn | grep -Ei 'VGA|DISPLAY'的设备号对不对;Windows 看设备管理器里是不是「Intel Arc」而不是「Microsoft 基本显示适配器」。 - 驱动版本够不够:Windows 上 PyTorch 官方要求的门槛是 32.0.101.9033 WHQL 及以上,并且安装包要包含 LevelZeroSDK 组件——这条写在 Intel 的 PyTorch 前置条件页里,很多人装的 OEM 精简驱动恰好缺这一块。截至 2026 年 11 月 4 日,消费级最新版是 32.0.101.9175。
- 分支对不对:Arc Pro 系列走的是季度节奏的 Pro 驱动,最新是 32.0.101.8976(Q3.26,2026-09-25 发布),比消费级的 9175 落后一个季度还要多。把消费级驱动装到 Pro 卡上会覆盖掉工作站分支,版本号看起来更新,实际换了一条线,这种「版本更新了反而出问题」的情况要先排除。
- 运行时齐不齐:
clinfo -l有卡但sycl-ls没有[level_zero:gpu],就重装计算运行时或 oneAPI 运行时,不要动驱动。 - 权限够不够:Linux 上
sudo sycl-ls能看到、普通用户看不到,就是组权限问题,usermod -aG render,video之后必须重新登录。 - 选择器有没有被继承:
echo $ONEAPI_DEVICE_SELECTOR、echo $ZE_AFFINITY_MASK,父 shell 里设过的东西会被子进程带走,这一条在多卡机器上造成的误判最多。
跑 sycl-ls 之前记得先 source /opt/intel/oneapi/setvars.sh,否则跑的可能是另一个版本的工具。用 pip 装的 PyTorch wheel 自带运行时,这时候反而不要 source 这套脚本,Intel 文档明确写了这样会引起版本冲突——装 wheel 和编译源码是两条互斥的路径,这一点在预编译包和自编译怎么选里也提过。
如果这几步都过了、程序仍然在 CPU 上跑,那就不是「找不到 GPU」,而是「找到了但没用」。这属于设备选择和层卸载的问题,不在本文范围内。
至于为什么非 N 卡总要纠结后端,KoboldCpp 下载哪个版本里有一套按后端挑包的判断方法,思路是通用的;出图场景的显存与后端组合可以对照 ComfyUI 对电脑配置要求。
登录后可点赞、收藏与反馈。