ROCm 7.2.1 + RX 6900 XT 排障记：当显卡变成"哑巴"

引子

给家里的 Ubuntu 机器装了 AMD ROCm 7.2.1，硬件是一块 RX 6900 XT（16GB，gfx1030，RDNA2 架构）。安装过程很顺利，rocm-smi 能看到卡，温度正常，显认正常。

但当我跑 rocminfo 的时候，它冷冷地甩了一句：

HSA_STATUS_ERROR_OUT_OF_RESOURCES: The runtime failed to allocate 
the necessary resources.

GPU 认到了，但用不了。就像一个站在那里的哑巴——嘴在，但说不出话。

第一层：显卡的"算力"去哪了？

我用 rocminfo 看 KFD（内核融合驱动）的拓扑，发现一个诡异的现象：

RX 6900 XT 被注册成了一个零算力设备：

simd_count:            0        ← 应该是 160
gfx_target_version:    0        ← 应该是 100300
gpu_id:                0        ← 根本不应该为 0

但它有 16GB VRAM，显存完全正常。也就是说，系统认到了显卡的内存，但完全认不到它的算力。

与此同时，板载的 iGPU（gfx1036，2 CU）倒是正常得很，simd_count: 4，gfx_target_version: 100306，算力正常。

为什么独显是哑的，核显是活的？

第二层：MES 才是关键

我翻了一圈，找到了关键参数：

$ cat /sys/module/amdgpu/parameters/mes
0

MES（Micro-Engine Scheduler）是关着的。

这是 ROCm 7.x 对 RDNA2 架构的一个关键变更：从这一代开始，GPU 的 KFD 硬件队列调度依赖 MES 微引擎。MES 不启动，GPU 的 compute 队列就建不起来，GPU 在 KFD 眼里就是一个"只有显存的内存设备"，没有算力。

那为什么 iGPU 没事？因为 iGPU（gfx1036）的 MES 初始化路径和独显不同，核显即使 mes=0 也能走另一条路把算力暴露出来。

解决思路很清晰：把 MES 打开。

# /etc/modprobe.d/amdgpu.conf
options amdgpu mes=1

然后……发现 MES 还是 0。重启了也没用。

因为 /etc/modprobe.d/ 的参数可能被 initramfs 里内置的模块覆盖了，所以还要加到 GRUB 内核命令行：

# /etc/default/grub
GRUB_CMDLINE_LINUX_DEFAULT="quiet splash amdgpu.mes=1"

然后执行：

sudo update-grub
sudo update-initramfs -u

重启后，mes 确实是 1 了。KFD 拓扑里的 RX 6900 XT 也有了算力：simd_count: 160，gfx_target_version: 100300。

但 rocminfo 还是报 HSA_STATUS_ERROR_OUT_OF_RESOURCES。

第三层：节能模式在搞鬼

为什么 MES 开了、算力也有了，HSA 还是报错？

答案藏在 dmesg 里：

[   71.854509] amdgpu 0000:03:00.0: amdgpu: Fail to disable thermal alert!
[   71.854512] amdgpu 0000:03:00.0: amdgpu: suspend of IP block <smu> failed -22
[   72.241212] amdgpu 0000:03:00.0: can't suspend (amdgpu_pmops_runtime_suspend returned -22)

GPU 在启动后约 65 秒，Linux 的运行时节能机制（Runtime Power Management）试图让 GPU 进入低功耗挂起状态。但 SMU（系统管理单元）挂起失败，thermal alert 关不掉，电源配置文件切换失败——GPU 的状态被搞坏了。

之后 HSA 运行时再想初始化，GPU 已经不在一个正常的状态里了，所以报 OUT_OF_RESOURCES。

解决：禁用运行时节能。

# /etc/modprobe.d/amdgpu.conf
options amdgpu mes=1 runpm=0

# /etc/default/grub
GRUB_CMDLINE_LINUX_DEFAULT="quiet splash amdgpu.mes=1 amdgpu.runpm=0"

再次 update-grub + update-initramfs + 重启。

结果

这一次，rocminfo 完美输出：

Agent 2
  Name:                    gfx1030
  Marketing Name:          AMD Radeon RX 6900 XT
  Device Type:             GPU
  Compute Unit:            80
  SIMDs per CU:            2
  Shader Engines:          4
  
  ISA: amdgcn-amd-amdhsa--gfx1030 ✅

• rocm-smi：温度 38°C，功耗 11W（待机正常）
• OpenCL：2 个设备（独显 + iGPU）
• 连续运行 3 次 rocminfo，零错误

总结

对于在 ROCm 7.x 上使用 RDNA2 显卡（RX 6000/6000 XT/6900 XT 等），如果你遇到 HSA_STATUS_ERROR_OUT_OF_RESOURCES：

# 1. 创建 modprobe 配置
echo "options amdgpu mes=1 runpm=0" | sudo tee /etc/modprobe.d/amdgpu.conf

# 2. 添加 GRUB 内核参数
sudo sed -i 's/GRUB_CMDLINE_LINUX_DEFAULT="\(.*\)"/GRUB_CMDLINE_LINUX_DEFAULT="\1 amdgpu.mes=1 amdgpu.runpm=0"/' /etc/default/grub

# 3. 更新引导和 initramfs
sudo update-grub
sudo update-initramfs -u

# 4. 重启
sudo reboot

两个参数缺一不可：

• mes=1 — 启用微引擎调度器，让 GPU 暴露算力
• runpm=0 — 禁用运行时节能，防止 GPU 挂起后状态损坏

环境信息