执行摘要

• 一句话：Gemma3RMSNorm 新增 XPU forward，并补齐 2D/3D/4D 测试覆盖
• 推荐动作：推荐精读，但属于小范围平台补齐，可快速浏览。建议重点关注三点：(1) forward_xpu 中三种分支的取舍——为什么 3D/4D 只在 residual is None 时走 kernel，以及这如何与 CUDA 分支产生语义分叉；(2) _run_gemma3_rms_norm_test 的 non_contiguous 分支，它是理解 Gemma3 q_norm/k_norm 真实视图形状的最佳入口；(3) review 暴露的流程问题——设备相关测试放在 test/manual 无法形成 CI 门禁，若后续要复用这套用例，应参考 #32093 的做法迁入 XPU nightly。此外建议顺手清理已失效的 "other dim == 1" 注释，并明确 sgl-kernel-xpu 的最低版本约束。

功能与动机

PR body 明确说明动机：为新引入的 Gemma3RMSNorm 层补齐支持与测试，因为 sglang-kernel-xpu 已开始接受 4D 形状（"since the 4d shape is accepted in sglang-kernel-xpu"）。此前 Gemma3RMSNorm 只有 forward_native/forward_cuda/forward_cpu/forward_hip/forward_npu 等分支，XPU 平台缺少专门实现；同时现有 forward_cuda 仅对 x.dim() == 2 使用融合算子，而 Gemma3 的 q_norm/k_norm 实际喂入的是从更宽 qkv 张量切分并 unflatten 出来的 3D/4D 非连续视图，因此需要显式扩展维度支持并用测试固化这一行为。issue 评论中 CaoE 指出该 PR "Depends on sgl-project/sgl-kernel-xpu#367"，作者确认依赖 PR 已合并。

实现拆解

1. 分发入口与背景：python/sglang/srt/layers/layernorm.py 中的 Gemma3RMSNorm 继承 BaseFusedOp，运行期按设备选择 forward_native / forward_cuda / forward_xpu 等方法。forward_native 是纯 PyTorch 参考实现（先 x + residual，再 FP32 归一化，最后 output * (1.0 + self.weight.float()) 并按 x 的 dtype 转回），也是所有平台分支的兜底路径。
2. 核心逻辑（+13 行）：新增 forward_xpu，分三种情况——residual is not None and x.dim() == 2 调用 gemma_fused_add_rmsnorm 原地更新 x 与 residual 并返回二者，与 CUDA 分支语义一致；residual is None and x.dim() in (2, 3, 4) 调用 gemma_rmsnorm，注释说明 XPU kernel 内部会自动拍平前导维度，无需 Python 侧 reshape，这是相对 forward_cuda 只支持 dim == 2 的关键扩展；其余组合（带 residual 的非 2D、维度不在 2/3/4 内）回落 forward_native，保证正确性。
3. 测试配套：test/manual/layers/test_layernorm.py 新增 TestGemma3RMSNorm（+173/-1），setUpClass 改为 CUDA 或 XPU 任一可用即执行，并把 default device 切到对应平台；_run_gemma3_rms_norm_test 以 forward_native 为基准，用 torch.allclose(atol=1e-2, rtol=1e-2) 校验带/不带 residual 的输出；non_contiguous=True 分支用 .unflatten(-1, (num_heads, head_dim)) 复现 Gemma3 q_norm/k_norm 从头切片的非连续视图。用例分为 test_gemma3_rms_norm_2d/3d/4d 与 test_gemma3_rms_norm_3d_unflatten/4d_unflatten 五组。
4. 按 review 收敛：commit 序列显示作者先加实现与测试（f9c6db2），再加完整测试与 benchmark（ad1801a），随后删除 bench_gemma3_rmsnorm.py（e8df93c），最后按 CaoE 的意见缩小测试参数矩阵（002e307）。最终 PR 不含 benchmark 脚本，PR body 的 Speed Tests 也标注为 N/A。
5. 精度验证：PR body 给出 test/registered/kernels/test_fused_op_dispatch.py 56 passed、test/manual/layers/test_layernorm.py 5 passed / 3 skipped / 194 subtests passed；作者在回复 mingfeima 时确认改动前后 pytest 结果对齐、无失败项。

关键文件：

• python/sglang/srt/layers/layernorm.py（模块 归一化层；类别 source；类型 core-logic；符号 Gemma3RMSNorm.forward_xpu, Gemma3RMSNorm.forward_cuda, Gemma3RMSNorm.forward_native）: 核心源码改动：为 Gemma3RMSNorm 新增 forward_xpu，定义 XPU 上 2D/3D/4D 输入是否走 gemma_rmsnorm/gemma_fused_add_rmsnorm 以及何时回落 forward_native，是本次功能的主体。
• test/manual/layers/test_layernorm.py（模块 归一化测试；类别 test；类型 test-coverage；符号 TestGemma3RMSNorm, TestGemma3RMSNorm.setUpClass, TestGemma3RMSNorm._run_gemma3_rms_norm_test, TestGemma3RMSNorm.test_gemma3_rms_norm_2d）: 新增 TestGemma3RMSNorm（+173/-1），以 forward_native 为基准覆盖 2D/3D/4D、residual 组合与非连续 unflatten 视图，是本次 XPU 实现的唯一验证手段；同时该文件位于 test/manual，不参与 CI。

关键符号：Gemma3RMSNorm.forward_xpu, Gemma3RMSNorm.forward_native, Gemma3RMSNorm.forward_cuda, TestGemma3RMSNorm.setUpClass, TestGemma3RMSNorm._run_gemma3_rms_norm_test, TestGemma3RMSNorm.test_gemma3_rms_norm_2d, TestGemma3RMSNorm.test_gemma3_rms_norm_4d_unflatten

关键源码片段

python/sglang/srt/layers/layernorm.py

核心源码改动：为 Gemma3RMSNorm 新增 forward_xpu，定义 XPU 上 2D/3D/4D 输入是否走 gemma_rmsnorm/gemma_fused_add_rmsnorm 以及何时回落 forward_native，是本次功能的主体。

Gemma3RMSNorm 的平台分发与新增 XPU 分支

class Gemma3RMSNorm(BaseFusedOp):
    # __init__ 中保存 self.weight / self.eps，并复用 self._norm 做 FP32 归一化
​
    def forward_native(self, x, residual: Optional[torch.Tensor] = None):
        # 纯 PyTorch 参考实现，所有平台的兜底路径，也是测试里的对照基线
        if residual is not None:
            residual = x + residual # 非原地：新建张量，不会污染调用方入参
            x = residual
        output = self._norm(x.float())
        # Llama 是 x.to(float16) * w，Gemma3 是 (x * w).to(float16)
        # 见 https://github.com/huggingface/transformers/pull/29402
        output = output * (1.0 + self.weight.float())
        output = output.type_as(x)
        return output if residual is None else (output, residual)
​
    def forward_cuda(self, x, residual: Optional[torch.Tensor] = None):
        if residual is not None:
            # decoder 的 residual 是 token-major 且连续的；融合 kernel 原地更新两个张量：
            # x 变成归一化输出，residual 变成 x + residual 供下一层使用
            gemma_fused_add_rmsnorm(x, residual, self.weight.data, self.eps)
            return x, residual
        if x.dim() == 2:
            return gemma_rmsnorm(x, self.weight.data, self.eps)
        # 注意：CUDA 侧非 2D 输入仍回落到 native，这是与 XPU 分支的关键差异
        return self.forward_native(x)
​
    def forward_xpu(self, x, residual: Optional[torch.Tensor] = None):
        if residual is not None and x.dim() == 2:
            # 与 CUDA 融合分支语义一致：原地写回 x 与 residual，避免额外分配
            gemma_fused_add_rmsnorm(x, residual, self.weight.data, self.eps)
            return x, residual
        # XPU kernel 内部会自行拍平前导维度，因此 2D/3D/4D 都能直接进 kernel，
        # 不需要 Python 侧 reshape（对应 sgl-kernel-xpu#367 放宽的 4D 形状支持）
        elif residual is None and x.dim() in (2, 3, 4):
            return gemma_rmsnorm(x, self.weight.data, self.eps)
        # 其余组合（带 residual 的非 2D、维度不在 2/3/4 内）回落到纯 PyTorch，保证正确性
        return self.forward_native(x, residual)
​
    def forward_musa(self, x, residual: Optional[torch.Tensor] = None):
        # sgl_kernel 的 gemma norm 算子在 MUSA 上有构建，沿用 CUDA 路径
        return self.forward_cuda(x, residual)

XPU 分支相对 CUDA 分支多放开 3D/4D，代价是 residual + 非 2D 组合失去原地融合能力而回落 native，这一取舍在代码注释与测试维度选择中都能看到痕迹。

test/manual/layers/test_layernorm.py

新增 TestGemma3RMSNorm（+173/-1），以 forward_native 为基准覆盖 2D/3D/4D、residual 组合与非连续 unflatten 视图，是本次 XPU 实现的唯一验证手段；同时该文件位于 test/manual，不参与 CI。

TestGemma3RMSNorm：形状矩阵与真实调用形态复现

class TestGemma3RMSNorm(CustomTestCase):
    """覆盖 2D/3D/4D 输入，包括 Gemma3 的 q_norm/k_norm 实际喂进来的
    非连续（"unflatten"）形状：用 .split() + .unflatten() 从更宽的 qkv
    张量里切出的头切片，前导维度无法拍平成 2D。"""
​
    ADD_RESIDUAL = [False, True]
    SEEDS = [0]
​
    # 2D 场景的 (batch_size, hidden_size, dtype) 组合
    SHAPE_DTYPE_2D = [
        (batch_size, hidden_size, torch.float16)
        for batch_size in [1, 19]
        for hidden_size in [1152, 2560, 3840, 5376]
    ] + [
        (19, 1024, torch.bfloat16),
        (19, 1024, torch.float32),
        (2, 32768, torch.float16),
    ]
​
    BATCH_SIZES_3D = [1, 4]
    SEQ_LENS_3D = [1, 74]
    HIDDEN_SIZES_3D = [512, 1024]
    DTYPES_3D = [torch.float16]
​
    NUM_TOKENS_4D = [1, 7]
    NUM_HEADS_4D = [1, 4, 8]
    HEAD_DIMS_4D = [64, 128]
    DTYPES_4D = [torch.float16]
​
    @classmethod
    def setUpClass(cls):
        # CUDA / XPU 任一可用即运行，default device 随平台切换，
        # 让同一份用例同时看守 CUDA 与 XPU 两条实现路径
        if not (torch.cuda.is_available() or torch.xpu.is_available()):
            raise unittest.SkipTest("Neither CUDA nor XPU is available")
        device = "cuda" if torch.cuda.is_available() else "xpu"
        torch.set_default_device(device)
​
    def _run_gemma3_rms_norm_test(
        self, shape, add_residual, dtype, seed, non_contiguous=False
    ):
        torch.manual_seed(seed)
        hidden_size = shape[-1]
        layer = Gemma3RMSNorm(hidden_size).to(dtype=dtype)
        layer.weight.data.normal_(mean=0.0, std=0.1)
        scale = 1 / (2 * hidden_size)
​
        if non_contiguous:
            # 复现真实调用形态：从 total_heads 个头的宽张量里切出 num_heads 个头，
            # 再 unflatten 成 (..., num_heads, head_dim)，结果是不可拍平的非连续视图
            *lead, num_heads, head_dim = shape
            total_heads = num_heads + 3
            full = torch.randn(*lead, total_heads * head_dim, dtype=dtype) * scale
            x = full[..., : num_heads * head_dim].unflatten(-1, (num_heads, head_dim))
        else:
            x = torch.randn(*shape, dtype=dtype) * scale
​
        residual = torch.randn_like(x) * scale if add_residual else None
​
        with torch.inference_mode():
            ref_out = layer.forward_native(x, residual) # 纯 PyTorch 参考实现
            out = layer(x, residual) # 平台分发后的实现（CUDA 或 XPU）
​
        # 融合分支会原地改写 x / residual，因此必须先算 ref_out 再做 kernel 调用
        if add_residual:
            self.assertTrue(torch.allclose(out[0], ref_out[0], atol=1e-2, rtol=1e-2))
            self.assertTrue(torch.allclose(out[1], ref_out[1], atol=1e-2, rtol=1e-2))
        else:
            self.assertTrue(torch.allclose(out, ref_out, atol=1e-2, rtol=1e-2))

注意：3D/4D 与 ADD_RESIDUAL=True 的组合在 XPU 上会回落 forward_native，这些 subTest 实际并未覆盖 XPU 融合分支。

评论区精华

本轮 review 共 3 条代码评论文本，讨论集中在测试范围与测试落点，未对 forward_xpu 实现本身提出反对意见：

1. 测试规模：CaoE 在 TestGemma3RMSNorm 类定义处提问 "Can we reduce the size and choose only the smallest set to shorten the test time ?"，作者以 [UPDATE] smaller test cases for gemma3 提交响应，缩小了 2D/3D/4D 的参数矩阵（如 NUM_TOKENS、HIDDEN_SIZES、HEAD_DIMS 取值变少）。
2. 测试是否进 CI：mingfeima 在导入行处质疑 "this file is manual test, which will not be launched in CI. Do you check locally?"，直指 XPU 分支缺少 CI 门禁；作者回复 "Yes. The pytest results before and after are aligned and there are no failed items."，以本地验证作为依据，CaoE 与 mingfeima 随后分别 APPROVED。
3. 依赖前置：issue 评论中 CaoE 记录 sgl-project/sgl-kernel-xpu#367 依赖关系，作者确认依赖 PR 已合并后才具备 4D 形状能力。

• 测试参数矩阵过大，需要缩小并保留最小集合以缩短测试时间 (testing): 作者以 commit [UPDATE] smaller test cases for gemma3（002e307）缩小参数矩阵，reviewer 未再提出异议；但缩小后 HIDDEN_SIZES_3D/NUM_HEADS_4D 上方的 "other dim == 1" 注释未同步清理。
• 测试文件位于 test/manual，不会在 CI 中执行 (testing): reviewer 接受本地验证并 APPROVED，但 XPU 分支仍无 CI 门禁；若要长期守护需按 #32093 的做法迁入 registered/XPU nightly。
• 对 sgl-kernel-xpu#367 的跨仓库依赖 (other): 依赖已合并，但 python 侧的 pyproject_xpu 未显式收紧 sgl-kernel-xpu 最低版本，运行环境版本不一致时可能出错。

风险与影响

• 风险：
  1. 测试不进 CI（最主要风险）：mingfeima 明确指出 test/manual/layers/test_layernorm.py 不会被 CI 拉起，因此 forward_xpu 的正确性只靠作者本地验证。后续若 XPU kernel 行为变化或 BaseFusedOp 分发逻辑调整，CI 无法发现回归；仓库中已有把设备相关测试接入 XPU nightly 的先例（如 #32093 把 dumper 测试接入 XPU nightly）。
  2. 对 sgl-kernel-xpu 版本存在隐式依赖：forward_xpu 在 3D/4D 上直接调用 gemma_rmsnorm，前提是所装 wheel 的 kernel 支持拍平前导维度（对应 sgl-kernel-xpu#367）。代码里没有能力探测或版本下限约束，若运行环境装配旧版 kernel，可能出现运行期报错或行为不一致，而 python/pyproject_xpu.toml 侧并未同步收紧依赖。
  3. 平台语义分叉：forward_cuda 仍只对 x.dim() == 2 走 kernel，XPU 放宽到 (2, 3, 4)，同一模型在 CUDA 与 XPU 上走不同代码路径，精度或性能差异只会在单一平台显现，跨平台回归对比更难定位。
  4. residual + 非 2D 在 XPU 上不走上融合：CUDA 的 residual 分支不区分维度都会调用 gemma_fused_add_rmsnorm，而 XPU 只对 dim == 2 融合，3D/4D 带 residual 会回落 forward_native 并额外分配张量，存在性能回退与语义（原地更新 vs 新建张量）差异。
  5. 测试注释与参数已不同步：缩小用例时移除了 hidden_size=1 等取值，但 HIDDEN_SIZES_3D 上方仍保留 "hidden_size=1 exercises the ... 'other dim == 1' shape" 的注释，NUM_HEADS_4D/HEAD_DIMS_4D 的同类注释也部分失效，容易误导后续维护者；相应边界形状的覆盖实际被削弱。
  6. 测试覆盖盲区：3D/4D 与 ADD_RESIDUAL=True 的组合在 XPU 上同样走 forward_native，即这些 subTest 无法验证 XPU 融合分支；XPU kernel 的有效覆盖实际只落在 residual is None 的 2D/3D/4D 上。
     - 影响：对 XPU 用户：Gemma3 系列模型（尤其 q_norm/k_norm 的 3D/4D 非连续头切片）在 XPU 上从 Python 回落路径切换到 sgl-kernel-xpu 融合算子，减少 Python 侧 reshape 与逐元素计算开销，是 Gemma3 在 XPU 上可用性与性能的补齐。对 CUDA/NPU 等其他平台：完全无影响，属于新增平台方法，由 BaseFusedOp 的设备分发按平台选中。对测试体系：新增的 TestGemma3RMSNorm 虽然在 test/manual 下不参与 CI，但其 setUpClass 同时支持 CUDA/XPU，为后续迁移到 registered/XPU nightly 提供了可直接复用的用例与 forward_native 对照基准。对团队协作：形成对 sgl-kernel-xpu 版本能力的又一次隐式依赖，需要 XPU 维护者在 kernel 升级/回退时同步关注。
     - 风险标记：测试不在 CI 覆盖, 依赖外部仓库 kernel 版本, 跨平台实现语义分叉, 测试注释与参数不同步, 非 2D 带残差路径性能回退, 测试覆盖存在盲区

关联脉络

• PR #32093 [XPU] Adapt device agnostic API usage: 同为 XPU 设备无关化改造，并示范了把 test/manual 下的设备相关测试接入 XPU nightly 的做法，正是本 PR 测试落点问题的参照方案。
• PR #37394 [xpu] install xpu-kernel by released wheel: XPU kernel 改为安装官方发布 wheel，本 PR 的 forward_xpu 直接依赖该 wheel 中 gemma_rmsnorm 对 4D 形状的支持，二者共同决定 XPU 运行环境能力边界。
• PR #32798 DFLASH support added for XPU: 同样是 XPU 平台能力补齐并配套端到端/单元测试的 PR，体现 XPU 功能线从算子到模型的持续扩展脉络。