PaddlePaddle/FastDeploy

移除QKRMSNorm算子对CUDA Graph的条件限制，使其在Prefill和Decode阶段均启用Triton融合优化。

该PR值得精读，重点关注： 1. 设计决策：移除step_use_cudagraph条件以扩展Triton融合算子的使用场景，体现了性能优化与条件简化的权衡。 2. 风险点：需关注大batch下的精度验证是否充分，以及历史限制原因是否已解决。 3. 建议：结合review讨论，后续可考虑补充Prefill阶段大batch的精度测试，并澄清历史背景。

更新FastDeploy 2.5.0版本文档，同步GPU安装指南和Docker配置。

该PR属于常规文档维护，无需精读。值得关注的是文档中明确Python 3.10限制的设计决策，这反映了项目对版本兼容性的严格管理。

更新XPU部署文档中的RDMA网卡配置和术语，并调整相关脚本输出格式。

建议技术管理者优先审查脚本输出兼容性风险，确保CI测试适配新格式；工程师可精读文档变更以了解XPU部署最佳实践，但无需深入代码逻辑。关注review中未解决的配置通用性问题，未来文档更新应考虑使用占位符提高可移植性。

为safetensors权重加载添加可选多线程支持，提升NVME SSD设备下模型加载速度。

建议精读此PR，关注多线程设计如何平衡性能与内存，以及配置从API Server到Worker的传递链路实现。需注意review中未解决的参数验证和异常处理问题，可作为后续改进点。

支持通过CLI配置量化参数并添加CUDA图捕获顺序验证，提升配置灵活性和系统可靠性。

建议技术管理者和工程师精读quantization/__init__.py中的parse_quant_config函数和cudagraph_piecewise_backend.py中的_validate_decode_capture_order方法，关注配置优先级设计、捕获验证机制以及跨平台处理策略。这些设计决策对后续配置扩展和优化有参考价值。

注释掉基准测试中的固定随机种子，使测试输入更具随机性。

这是一个简单的配置调整，无需深入阅读代码。建议关注AI Review提供的PR文档规范建议，这对团队协作有参考价值。

修复GPU异步拷贝竞态和Flash Mask Attention共享内存越界两个关键bug。

该PR值得精读，特别是mainloop_attn.hpp中的边界处理逻辑，展示了在CUDA kernel中处理非对齐序列长度的通用模式。关注同步拷贝与性能的权衡，以及共享内存管理的安全性设计。

新增两个Claude Code skills：LLM模型集成指南和HTML研究报告生成工具。

对于需要集成新模型或生成研究报告的开发者，推荐精读SKILL.md和references下的模板文件，以了解最佳实践和设计决策。PR重点在于工作流程定义和模板设计，值得关注其结构化方法。