执行摘要

• 一句话：修复纯文本 MiMoV2 启动崩溃
• 推荐动作：值得合并，修复了一个清晰的配置-模型不一致 bug，改动小且安全。

功能与动机

纯文本 MiMoV2 checkpoint 启动时因缺少 vision_config 而抛出 AttributeError（PR body 中贴出了完整栈跟踪）。模型层 mimo_v2.py:1038-1040 的 _is_multimodal 已要求同时存在 vision_config 和 audio_config 才视为多模态，但配置层未做对应检查，导致两处判定不一致。

实现拆解

1. 定位问题：在 python/sglang/srt/configs/model_config.py 的 enable_multimodal 自动判定分支中，增加针对 MiMoV2 的特殊逻辑。
2. 新增判断条件：当 architectures[0] 在 MIMO_V2_MULTIMODAL_ARCHS 中，且 HF 配置不包含 vision_config 或 audio_config 任一属性时，将 enable_multimodal 设为 False。
3. 日志记录：当禁用多模态时，打印一条 info 日志说明原因。
4. 无其他改动：变更仅 10 行，不涉及测试、配置或部署配套设施。

关键文件：

• python/sglang/srt/configs/model_config.py（模块 配置层；类别 source；类型 data-contract）: 配置层入口，新增逻辑使配置级多模态开关与模型级检测一致。

关键符号：未识别

关键源码片段

python/sglang/srt/configs/model_config.py

配置层入口，新增逻辑使配置级多模态开关与模型级检测一致。

# python/sglang/srt/configs/model_config.py 中 enable_multimodal 自动判定逻辑
if enable_multimodal is None:
    mm_disabled_models = [
        "Gemma3ForConditionalGeneration",
        "Llama4ForConditionalGeneration",
        "Step3VLForConditionalGeneration",
    ]
    if (
        self.hf_config.architectures[0] in mm_disabled_models
        and self.model_impl != ModelImpl.TRANSFORMERS
    ):
        enable_multimodal = False
        logger.info(
            f"Multimodal is disabled for {self.hf_config.model_type}. "
            "To enable it, set --enable-multimodal."
        )
    elif self.hf_config.architectures[0] in MIMO_V2_MULTIMODAL_ARCHS and not (
        hasattr(self.hf_config, "vision_config")
        and hasattr(self.hf_config, "audio_config")
    ):
        # 新增分支：当架构是 MiMoV2 但 HF 配置缺少 vision_config 或 audio_config 时，
        # 视为纯文本变体，禁用多模态以避免后续多模态处理器初始化崩溃。
        enable_multimodal = False
        logger.info(
            "Multimodal is disabled for this MiMoV2 checkpoint: "
            "vision_config/audio_config not found in the model config "
            "(likely a text-only MiMoV2 variant)."
        )
    else:
        enable_multimodal = True

评论区精华

审核者 ShangmingCai 批准了 PR，无进一步讨论。CI 测试也已通过。

• 暂无高价值评论线程

风险与影响

• 风险：风险极低。变更仅增加一个 elif 分支，且检查条件与模型层已有的 _is_multimodal 逻辑完全一致。多模态 MiMoV2 变体不受影响，因为其 HF 配置包含 vision_config 和 audio_config，不会进入该分支。
• 影响：只有纯文本 MiMoV2 用户受到影响——他们原本无法启动服务，现在可以正常启动。多模态 MiMoV2 用户无感知。团队无需额外维护成本。
• 风险标记：暂无

关联脉络

• 暂无明显关联 PR