执行摘要

此PR更新了NPU扩散模型的性能基线文件，通过手动调整解码阶段和去噪步骤的预期耗时，临时修复了因性能退化导致的CI测试失败。变更仅涉及一个测试文件，但review中指出了数据不一致的风险，建议后续使用脚本重新生成基线以确保准确性。

功能与动机

近期Ascend NPU上的扩散模型性能出现显著下降（如关联Issue #23055所示），导致CI测试失败。此PR作为临时解决方案，更新了性能基线文件中的数值，使测试能够通过，而性能退化的根本原因将在Issue中进一步调查。PR body明确说明：“update perf numbers to fix CI runs performance degradation will be investigated in https://github.com/sgl-project/sglang/issues/23055”。

实现拆解

变更仅涉及一个文件：python/sglang/multimodal_gen/test/server/ascend/perf_baselines_npu.json。该文件存储了NPU扩散模型性能测试的基准耗时数据，用于CI测试中的回归检查。

具体修改包括：

1. 更新解码阶段耗时：针对两个测试场景（wan2_1_t2v_1.3b_1_npu 和 wan2_2_t2v_14b_w8a8_8npu），将 DecodingStage 的数值从较低值调整为较高值，反映当前性能退化。
2. 调整去噪步骤耗时：在 wan2_1_t2v_1.3b_1_npu 场景中，将第一个去噪步骤（denoise_step_ms["0"]）从103.56毫秒更新为153.0毫秒。
3. 未更新聚合指标：如以下代码片段所示，聚合指标如 DenoisingStage 和 expected_e2e_ms 未同步更新，这可能导致基线数据内部不一致，影响测试准确性。

关键源码片段

python/sglang/multimodal_gen/test/server/ascend/perf_baselines_npu.json

这是唯一变更的文件，包含了NPU扩散模型性能测试的基准耗时数据，直接决定CI测试的通过与否。

{
    "wan2_1_t2v_1.3b_1_npu": {
        "stages_ms": {
            "InputValidationStage": 0.07,
            "TextEncodingStage": 876.11,
            "LatentPreparationStage": 0.25,
            "TimestepPreparationStage": 2.9,
            "DenoisingStage": 26188.0, // 注意：此聚合指标未随阶段耗时更新，可能导致数据不一致
            "DecodingStage": 650.1, // 从 320.03 更新为 650.1，反映解码阶段耗时增加
            "per_frame_generation": null
        },
        "denoise_step_ms": {
            "0": 153.0, // 从 103.56 更新为 153.0，反映第一个去噪步骤耗时增加
            "1": 329.59,
            // ... 其他步骤保持不变
        },
        "expected_e2e_ms": 38738.17, // 注意：此聚合指标未更新，可能不反映最新阶段耗时总和
        "expected_avg_denoise_ms": 523.62,
        "expected_median_denoise_ms": 536.23
    },
    "wan2_2_t2v_14b_w8a8_8npu": {
        "stages_ms": {
            "InputValidationStage": 0.07,
            "TextEncodingStage": 1200.21,
            "LatentPreparationStage": 0.2,
            "TimestepPreparationStage": 2.68,
            "DenoisingStage": 83661.46, // 注意：此聚合指标未更新
            "DecodingStage": 1080.05, // 从 232.94 更新为 1080.05，解码耗时显著增加
            "per_frame_generation": null
        },
        // ... 其他部分保持不变
    }
}

评论区精华

review中，gemini-code-assist[bot]指出了关键问题：

“The update to DecodingStage and denoise_step_ms["0"] is not reflected in the aggregate metrics... It is recommended to regenerate the baseline using the gen_perf_baselines.py script to ensure all derived values are consistent.”

此评论强调了手动更新基线文件的风险——未同步更新聚合指标会导致数据不一致，可能使CI测试误判性能回归。但PR作者未回应此问题，PR已合并，留下了潜在的技术债务。

风险与影响

• 测试准确性风险：由于聚合指标未更新，性能基线文件内部不一致，可能导致CI测试误报通过或失败，掩盖真实的性能退化程度。
• 维护风险：手动修改而非脚本生成基线文件，增加了未来更新时出错的风险，尤其是在多指标需同步调整的场景下。
• 影响范围：此变更仅影响NPU扩散模型的CI测试流程，对用户和系统运行时无直接影响，但确保了测试链的连续性，为后续性能调查（Issue #23055）争取了时间。

关联脉络

此PR与近期多个diffusion和NPU相关PR有间接关联：

• PR #23118 和 #23207 涉及diffusion模块的优化和重构，可能影响整体性能趋势。
• PR #22914 涉及NPU和上下文并行的代码去重，可能反映团队在性能优化上的持续努力。
• 关联Issue #23055 提供了性能退化的背景，表明此PR是临时修复，后续需深入调查根本原因。
  整体来看，此PR是NPU性能维护链条中的一环，突出了在快速迭代中平衡CI稳定性和数据准确性的挑战。