执行摘要

• 一句话：清理 diffusion 模块的未使用导入和死代码
• 推荐动作：作为常规清理 PR，不必强制精读；但 vmoba/__init__.py 中的显式 re-export 模式值得在其他模块推广，可提升 IDE 跳转和静态分析准确性。

功能与动机

从 PR Body 和提交说明看，主要目标是清除 diffusion 子目录中累积的死代码：未使用的导入/局部变量、被注释掉的旧 attention 实现、空 f-string 以及低价值的 TODO/smoke 表述，同时保持导出接口的清晰性，提高代码可维护性。

实现拆解

1. 移除未使用的导入：通过 ruff check --select F401 识别并删除 qwen2_5vl.py 中 Callable 和 eager_attention_forward 等不再需要的 import。
2. 删除注释掉的 attention 代码：在 qwen2_5vl.py 的 forward 方法中，移除被 # 注释的备用 attention 实现以及 attention_interface 变量声明。
3. 清理 VAE 中的 deprecation 消息：在 autoencoder.py 和 autoencoder_kl_flux2.py 的 tiled_encode 方法中，删除未实际调用的 deprecation_message 字符串和 # deprecate(...) 注释。
4. 显式化 re-export 的语义：将 vmoba/__init__.py 和 pipelines_core/__init__.py 中的 from .x import y 改写为 from .x import y as y 并补充 __all__，以便静态分析工具正确识别符号来源。
5. 清除低信号 TODO 和空 f-string：在 qwen_image.py、glm_image.py、joy_image.py 等文件中移除注释掉的代码行和空格式字符串。

关键文件：

• python/sglang/multimodal_gen/runtime/models/encoders/qwen2_5vl.py（模块 扩散模型；类别 source；类型 import-cleanup）: 移除了未使用的 Callable 导入、eager_attention_forward 导入以及被注释掉的 attention 备用路径，是清理力度最大的文件。
• python/sglang/multimodal_gen/runtime/models/vaes/autoencoder.py（模块 扩散模型；类别 source；类型 code-cleanup）: 删除了 tiled_encode 中从未执行的 deprecation_message 字符串和注释掉的 deprecate 调用，减少代码噪音。
• python/sglang/multimodal_gen/runtime/models/vaes/autoencoder_kl_flux2.py（模块 扩散模型；类别 source；类型 code-cleanup）: 与 autoencoder.py 类似，移除了 deprecation 消息和未使用的 force_upcast 变量。
• python/sglang/multimodal_gen/csrc/attn/vmoba_attn/vmoba/__init__.py（模块 扩散模型；类别 source；类型 dependency-wiring）: 将隐式 re-export 改为显式 as 形式并增加 __all__，改善模块接口的可维护性。
• python/sglang/multimodal_gen/runtime/pipelines_core/__init__.py（模块 扩散模型；类别 source；类型 dependency-wiring）: 与 vmoba 类似，将两个导入改为显式 as 形式，保持一致性。

关键符号：forward, tiled_encode

关键源码片段

python/sglang/multimodal_gen/runtime/models/encoders/qwen2_5vl.py

移除了未使用的 Callable 导入、eager_attention_forward 导入以及被注释掉的 attention 备用路径，是清理力度最大的文件。

# qwen2_5vl.py - 清理后的 forward 方法（关键改动）
def forward(
    self,
    hidden_states: torch.Tensor,
    position_embeddings: Optional[tuple[torch.Tensor, torch.Tensor]] = None,
    past_key_values: Optional[...] = None,
    cache_position: Optional[torch.LongTensor] = None,
    **kwargs: Unpack[FlashAttentionKwargs],
) -> tuple[torch.Tensor, Optional[torch.Tensor], Optional[tuple[torch.Tensor]]]:
    # ... ( 省略前处理 )
​
    # 删除了 `attention_interface: Callable = eager_attention_forward` 及其下方的注释块
    query_states = query_states.transpose(1, 2)
    key_states = key_states.transpose(1, 2)
    value_states = value_states.transpose(1, 2)
    attn_output = self.attn(query_states, key_states, value_states)
​
    attn_output = attn_output.reshape(bsz, q_len, -1).contiguous()
    attn_output = _linear_output(self.o_proj, attn_output)
    return attn_output

python/sglang/multimodal_gen/runtime/models/vaes/autoencoder.py

删除了 tiled_encode 中从未执行的 deprecation_message 字符串和注释掉的 deprecate 调用，减少代码噪音。

# autoencoder.py - 清理后的 tiled_encode 方法（开头部分）
def tiled_encode(
    self, x: torch.Tensor, return_dict: bool = True
) -> AutoencoderKLOutput:
    r"""Encode a batch of images using a tiled encoder.
    ...(文档字符串不变)
    """
    # 已删除：deprecation_message 字符串和 # deprecate(...) 注释
    overlap_size = int(self.tile_sample_min_size * (1 - self.tile_overlap_factor))
    blend_extent = int(self.tile_latent_min_size * self.tile_overlap_factor)
    row_limit = self.tile_latent_min_size - blend_extent
    # ... 后续代码不变

python/sglang/multimodal_gen/csrc/attn/vmoba_attn/vmoba/__init__.py

将隐式 re-export 改为显式 as 形式并增加 __all__，改善模块接口的可维护性。

# vmoba/__init__.py 更改为显式 re-export
# SPDX-License-Identifier: Apache-2.0
from .vmoba import (
    moba_attn_varlen as moba_attn_varlen,
    process_moba_input as process_moba_input,
    process_moba_output as process_moba_output,
)
​
__all__ = ["moba_attn_varlen", "process_moba_input", "process_moba_output"]

评论区精华

审核人直接批准，没有提出讨论点或争议。

• 暂无高价值评论线程

风险与影响

• 风险：本 PR 仅删除未使用的代码和注释，不改变任何运行时逻辑。通过 ruff 检查（F401/F841/F821/F541/UP037）和 py_compile 编译验证，可以确保没有误删有效代码。风险极低。
• 影响：对最终用户无功能影响；对开发团队而言，减少了约 108 行待维护代码，降低了阅读和理解成本。影响范围限定在 sglang/multimodal_gen 模块的 diffusion 相关子模块。
• 风险标记：低风险清理, 仅删除死代码

关联脉络

• 暂无明显关联 PR