llama.cpp b11822修复qwen4exp层输入，DFlash草稿模型不再首次请求即中止
发布说明称，qwen4exp此前把宽残差以 [n_embd, hc, n_tokens] 形式作为t_layer_inp暴露，而DFlash草稿模型按 [n_embd, n_tokens] 读取，导致在qwen4exp目标上评估DFlash草稿时于llama_context::extract_layer_inputs首次请求即中止；该版本改为先取均值。
AI解读：llama.cpp发布b11822，变更条目为“fix qwen4exp layer inputs for DFlash drafters”（#30927）。
按发布说明，问题在于形状不匹配：qwen4exp将hc宽残差以 [n_embd, hc, n_tokens] 发布为t_layer_inp，而草稿模型按 [n_embd, n_tokens] 行读取层输入。
修复方式是像deepseek4处理其hyper-connection残差那样，在暴露前用普通均值合并各流，并且只为草稿模型实际请求的层构建均值。
发布说明的Assisted-by标注为pi:llama.cpp/ggml-org/Qwen3.8-Flash-Next-GGUF（MacBook，M5 Max，128GB）；这是来源自述，未提供对应的性能或正确性数据。
llama.cpp发布b11822，唯一列出的代码变更是修复qwen4exp对DFlash草稿模型（drafter）的层输入（#30927）。
发布说明给出的原因是一个形状约定不一致：qwen4exp把hc宽残差 [n_embd, hc, n_tokens] 作为t_layer_inp暴露，而DFlash草稿模型把层输入读作 [n_embd, n_tokens] 行。
形状不匹配如何导致中止
发布说明解释，llama_context将每个embd_layer_inp缓冲区的大小设为n_embd * n_batch，而DFlash编码器输入宽度为n_extract * n_embd。因此在qwen4exp目标上评估DFlash草稿时，会在llama_context::extract_layer_inputs的首次请求处中止。
- qwen4exp暴露的t_layer_inp形状：[n_embd, hc, n_tokens]
- DFlash草稿读取的层输入形状：[n_embd, n_tokens]
- embd_layer_inp缓冲区大小：n_embd * n_batch
- DFlash编码器输入宽度：n_extract * n_embd
修复方式与适用范围
修复做法是在暴露前用普通均值把各流合并，这与deepseek4对其hyper-connection残差的处理方式相同；并且只为草稿模型实际请求的层构建均值，而不是对所有层都计算。
发布说明的Assisted-by字段标注为pi:llama.cpp/ggml-org/Qwen3.8-Flash-Next-GGUF，运行环境写作MacBook、M5 Max、128GB。该说明未附带修复前后的对比测试或性能数据。
- 合并方式：plain mean（普通均值）
- 参照实现：deepseek4对hyper-connection残差的处理
- 计算范围：仅草稿模型请求的层
- Assisted-by：pi:llama.cpp/ggml-org/Qwen3.8-Flash-Next-GGUF（MacBook，M5 Max，128GB）