Blackwell GB10でCUDA 13.0を使用してvLLMを実行する際の、aarch64固有の4つの障害モード

セットアップと環境

セットアップは、aarch64（sbsa-linux）、Python 3.12、CUDA 13.0、vLLM v0.7.1を搭載したGB10ハードウェアを使用しています。問題は、日次リセットされるテスト環境で発生し、CUDA 13.0を搭載したaarch64に固有のものです。

障害モード1: aarch64用のcu121 wheelが存在しない

--index-url .../cu121プロトコルを使用すると、次のエラーが返されます：ERROR: Could not find a version that satisfies the requirement torch (from versions: none)。cu121インデックスにはaarch64用のバイナリがありません。Blackwell aarch64の正しいインデックスはcu130です。

sudo pip3 install --pre torch torchvision torchaudio \
--index-url https://download.pytorch.org/whl/nightly/cu130 \
--break-system-packages

障害モード2: ncclWaitSignalの未定義シンボル

cu130 torchをインストールした後、インポートが失敗します：ImportError: libtorch_cuda.so: undefined symbol: ncclWaitSignal。aptでインストールされたNCCLにはこのシンボルがありませんが、pipでインストールされたnvidia-nccl-cu13にはあります。リンカーは自動的にそれを見つけられません。

修正：すべてのPython呼び出しの前にLD_PRELOADで強制的に指定します：

export LD_PRELOAD=/usr/local/lib/python3.12/dist-packages/nvidia/nccl/lib/libnccl.so.2

障害モード3: vLLM CPU拡張ビルド中にnuma.hが見つからない

エラー：fatal error: numa.h: No such file or directory。vLLMのCPU拡張にはlibnuma-devが必要ですが、リセットされたシステムにはインストールされていませんでした。

sudo apt-get install -y libnuma-dev

障害モード4: ABIの不一致 — MessageLoggerの未定義シンボル

完全なビルドを完了した後、vLLMの起動が失敗します：ImportError: vllm/_C.abi3.so: undefined symbol: _ZN3c1013MessageLoggerC1EPKciib。

nmによる診断結果：

• vLLMバイナリが期待していたもの（古いシグネチャ）：U _ZN3c1013MessageLoggerC1EPKciib ← (const char*, int, int, bool)
• cu130 torchライブラリが実際に提供するもの（新しいシグネチャ）：T _ZN3c1013MessageLoggerC1ENS_14SourceLocationEib ← (SourceLocation, int, bool)

根本原因：pipのビルド分離。pip install -e .を実行すると、pipは分離されたビルド環境を作成し、pyproject.tomlのバージョン制約に基づいて別の古いtorchをダウンロードします。vLLMはそれらの古いヘッダーに対してコンパイルされますが、実行時には新しいcu130 torchが見つかり、シグネチャの不一致が発生します。

修正：明示的なサブプロセスインジェクションと共に--no-build-isolationを使用します：

sudo -E env \
LD_PRELOAD="/usr/local/lib/python3.12/dist-packages/nvidia/nccl/lib/libnccl.so.2" \
LD_LIBRARY_PATH="/usr/local/lib/python3.12/dist-packages/torch/lib:..." \
MAX_JOBS=8 \
pip3 install -e . --no-deps --no-build-isolation --break-system-packages

重要な詳細：sudo -Eだけでは機能しません。なぜなら、pipのサブプロセスチェーンはLD_PRELOADを引き継がないからです。サブプロセスに明示的に注入するにはsudo -E env VAR=value pip3が必要です。

インストール後のABIシールを確認します：

nm -D vllm/_C.abi3.so | grep MessageLogger
# "SourceLocation"を含んでいる必要があります — もしまだ"EPKciib"と表示される場合は、再インストールしてください

マルチエージェントシステムに関する追加注意

vLLMをマルチエージェントシステムのバックエンドとして使用する場合は、--served-model-name your-model-nameを追加してください。これがないと、vLLMはモデルを完全なファイルパスで提供し、エージェントが名前でクエリを実行すると404エラーが発生します。

自動化スクリプトとsystemdサービスを含む完全なv2プロトコルは、github.com/trgysvc/AutonomousNativeForge → docs/BLACKWELL_SETUP_V2.mdで利用可能です。このリポジトリはANF — このセットアップ上で動作する4エージェントの自律コーディングパイプライン用ですが、セットアップドキュメントは単にBlackwell/vLLMの修正が必要な場合でも独立して利用できます。