新版将GELU、SIGMOID、SILU、SOFTPLUS与MUL融合为单一Vulkan内核，针对gemma4、qwen3next等架构的共享专家门控，修复 10-18% 的预填充性能回退。
AI解读：这次更新的核心是让Vulkan后端在一类常见且此前未被优化的图模式上跑得更快：激活函数（GELU、SIGMOID、SILU、SOFTPLUS）的计算结果紧接着与另一个张量相乘。在gemma4这类模型中，这种“激活后相乘”的结构大量出现，而相邻节点的融合能减少内核启动和中间数据读写，直接降低延迟。开发者在优化初期曾让预填充（处理提示词）阶段变慢 10-18%，调整了线程调度后恢复。对普通用户而言，这意味着在AMD、Intel、高通等Vulkan设备上运行llama.cpp推理，处理复杂提示或长上下文时可能更快——但如果你是NVIDIA用户，受益不大，因为CUDA后端已存在类似融合。另外，融合逻辑经过了严格限制，只覆盖特定模式，避免引入gemma3n上曾出现过的静默输出损坏；因此可以预期模型输出质量保持不变。
llama.cpp发布b10858版本，其Vulkan后端新增UNARY+MUL融合：将GELU、SIGMOID、SILU、SOFTPLUS激活函数与随后的乘法操作合并为单一着色器内核。此次改动支持f32与f16精度，并提供多种平台预编译二进制。
Vulkan图优化扩展融合范围
融合逻辑实现在unary.comp中，通过UNARY_MUL_FUSION宏启用，为每个算子生成专属管线而非运行时分支。调度由graph_optimize处理，优先将相邻节点融合。对于中间隔着零计算节点（如VIEW、RESHAPE、TRANSPOSE、PERMUTE）的情况，优化器会先调度这些节点，使UNARY与消费它的MUL相邻后再融合，以支持gemma4中per-layer embedding gating这类模式。
此前严格相邻要求使部分图无法融合，例如CUDA也未能处理gemma4的view间隔。此版本还支持将激活应用于较小的MUL操作数（OP-on-B），并通过专用化常量实现，以覆盖qwen3next和qwen35moe的共享专家门控。所有融合均经ggml_can_fuse_subgraph校验，确保不破坏图输出或引入错误。
- GELU分片误差允许 5e-7 f32：着色器使用基于exp的tanh恒等式，而CPU参考使用tanhf（约 1 ulp）。
- 重命名并集中了融合判定函数ggml_vk_can_fuse_unary_mul，用查表替代了多个switch。
- 融合仅限受保护模式，避免在gemma3n上出现静默输出损坏。