执行摘要

• 一句话：调整 QSA indexer 流上下文，复用已有 CUDA 流
• 推荐动作：建议精读但不必深挖：整个 diff 只有 4 行，真正值得关注的是三点——(1) stream 上下文的 fork 点从 QKV 准备之前后移到之后，以及 wait_stream 为什么没有跟着移动；(2) record_stream 与成对 wait_stream 构成的跨流契约；(3) PR 标题的“流不断创建”缺少量化与根因说明。若后续要修改 _prepare_qkv_gate 或 indexer 的读集合，务必回到这段代码确认 wait_stream 的语义仍然成立；同时建议给这类多流 overlap 改动补一条可复现的流数量断言或 profiler 基线，避免只靠截图背书。

功能与动机

PR 标题直接点明问题：“reuse old cuda stream instead of endlessly creating streams”，即 Qwen 3.8 next（qwen4_exp）模型的双流 overlap 路径会持续创建 CUDA 流。PR body 的 Motivation 段没有文字说明，只给了两张 profiler 前后对比截图（prev / after），用执行轨迹的差异来证明改动效果。结合代码上下文，该路径位于 QSA 稀疏注意力的 indexer overlap 分支，而 self_attention 会在每一层、每个 decode step 被调用，任何流上下文层面的额外开销都会被层数放大，因此作者选择在热点路径上做定点收敛。

实现拆解

1. 变更入口：python/sglang/srt/models/qwen4_exp.py 的 Qwen4ExpAttention.self_attention，具体落在 overlap_indexer 分支（条件为 self.is_qsa and self.alt_stream is not None and get_is_capture_mode() and hidden_states.shape[0] < _QSA_INDEXER_OVERLAP_TOKEN_THRESHOLD）。全 PR 共 4 增 4 删，未触碰其他模块。

2. 核心调整：把 with torch.cuda.stream(self.alt_stream): 的位置从 self._prepare_qkv_gate(...) 调用之前移到之后，使其只包住 self._compute_qsa_topk_indices(hidden_states, positions, forward_batch)。topk_indices 依旧在 alt stream 上产生，并继续通过 attention_kwargs["topk_indices"] 传给 self.attn(q, k, v, forward_batch, **attention_kwargs)，数据契约没有变化。

3. 跨流同步契约保持不变：current_stream = torch.cuda.current_stream() 与 self.alt_stream.wait_stream(current_stream) 仍发生在 _prepare_qkv_gate 之前，因此 alt stream 只等待更早入队的主流工作，indexer 与 QKV/gate 准备仍可重叠；current_stream.wait_stream(self.alt_stream) 与 topk_indices.record_stream(current_stream) 仍位于 self.attn 之前，保证 attention 消费前可见、并向缓存分配器登记跨流生命周期。

4. 对其他分支的影响：非 overlap 的 elif self.is_qsa 分支、以及非 capture 模式下的 QSA 路径保持单流执行，行为完全不变；fused_sigmoid_mul 与 o_proj 部分未改动。

5. 测试与配置配套：本次没有任何测试文件、配置项或文档改动。验证依赖作者反复重跑的 test/registered/e2e/models/test_qwen4_exp_models.py（4-gpu-b200，最终通过）以及 PR body 中的 profiler 前后截图，缺少针对流行为的单元级断言。

关键文件：

• python/sglang/srt/models/qwen4_exp.py（模块 模型实现；类别 source；类型 core-logic；符号 self_attention, _compute_qsa_topk_indices, _prepare_qkv_gate）: 本 PR 唯一改动文件。Qwen 3.8 next（qwen4_exp）模型实现中的 QSA 稀疏注意力双流 overlap 逻辑在此，stream 上下文位置调整即发生在 Qwen4ExpAttention.self_attention。
• test/registered/e2e/models/test_qwen4_exp_models.py（模块 端到端测试；类别 test；类型 test-coverage）: 本 PR 未修改该文件，但它是唯一的验证手段：作者三次重跑该端到端测试（4-gpu-b200）才拿到通过，说明改动缺少单元级回归保护。

关键符号：Qwen4ExpAttention.self_attention, _compute_qsa_topk_indices, _prepare_qkv_gate

关键源码片段

python/sglang/srt/models/qwen4_exp.py

本 PR 唯一改动文件。Qwen 3.8 next（qwen4_exp）模型实现中的 QSA 稀疏注意力双流 overlap 逻辑在此，stream 上下文位置调整即发生在 Qwen4ExpAttention.self_attention。

# Qwen4ExpAttention.self_attention（改动后形态）
# 变更实质：torch.cuda.stream(self.alt_stream) 上下文只包住 indexer 计算，
# 位置从 _prepare_qkv_gate 之前后移到之后；跨流同步语句保持原位。
def self_attention(
    self,
    positions: torch.Tensor,
    hidden_states: torch.Tensor,
    forward_batch: ForwardBatch,
) -> torch.Tensor:
    # 仅当 QSA、存在 alt_stream、处于 CUDA Graph 捕获 / 回放模式，
    # 且 token 数低于阈值时才启用双流 overlap 路径。
    overlap_indexer = (
        self.is_qsa
        and self.alt_stream is not None
        and get_is_capture_mode()
        and hidden_states.shape[0] < _QSA_INDEXER_OVERLAP_TOKEN_THRESHOLD
    )
    attention_kwargs = {}
    if overlap_indexer:
        # 仍然先让 alt_stream 等主流，但只等“更早入队”的主流工作：
        # indexer 只读 hidden_states / positions，因此故意不等待后面的 QKV 准备，
        # 这样 indexer 才能与 _prepare_qkv_gate 的 GEMM 真正重叠。
        current_stream = torch.cuda.current_stream()
        self.alt_stream.wait_stream(current_stream)
​
    # 顺序变化点之一：QKV + gate 准备先入队到主流。
    q, k, v, gate = self._prepare_qkv_gate(
        positions=positions,
        hidden_states=hidden_states,
        forward_batch=forward_batch,
    )
​
    if overlap_indexer:
        # 顺序变化点之二：stream 上下文只包住 indexer 计算本身。
        # 旧写法把这个上下文放在 _prepare_qkv_gate 之前，PR 标题称其会导致
        # “不断创建流”；改动后 indexer 仍在同一条 self.alt_stream 上执行，
        # 只是 fork 时机挪到了 QKV 准备入队之后。
        with torch.cuda.stream(self.alt_stream):
            topk_indices = self._compute_qsa_topk_indices(
                hidden_states, positions, forward_batch
            )
        # 主流在此等待 alt_stream：保证 attention 消费 topk_indices 前已完成。
        current_stream.wait_stream(self.alt_stream)
        # topk_indices 在 alt_stream 上分配、由主流上的 attention 消费，
        # 因此在 alt_stream 被复用前把生命周期记到主流上，避免提前回收。
        topk_indices.record_stream(current_stream)
        attention_kwargs["topk_indices"] = topk_indices
    elif self.is_qsa:
        # 非 overlap（非 capture 或超阈值）路径保持单流执行，行为不变。
        attention_kwargs["topk_indices"] = self._compute_qsa_topk_indices(
            hidden_states, positions, forward_batch
        )
​
    attn_output = self.attn(q, k, v, forward_batch, **attention_kwargs)
    if gate is not None:
        if attn_output.is_cuda:
            # strided 3D gate 视图直接喂融合内核，省掉 reshape 拷贝。
            attn_output = fused_sigmoid_mul(attn_output, gate, inplace=True)
        else:
            gate = gate.reshape(gate.shape[0], -1) if gate.ndim == 3 else gate
            attn_output = attn_output * torch.sigmoid(gate)
    output, _ = self.o_proj(attn_output)
    return output

评论区精华

本 PR 没有行内 review 评论，讨论几乎全部集中在 CI 重跑：作者 Qiaolin-Yu 连续三次发送 /rerun-test test/registered/e2e/models/test_qwen4_exp_models.py，第一次 4-gpu-b200 失败，第二次被 CI Maintenance Mode（issue #21065）拦截未派发，第三次才通过。评审侧只有 YAMY1234 的一条 APPROVED “LGTM”，没有对 stream 语义、执行顺序变化或“流不断创建”的根因做技术追问。另一个值得注意的事实是合并者与作者同为 Qiaolin-Yu，属于自审自并。

• 端到端回归测试三次重跑才通过 (testing): 最终 end-to-end 通过，但过程中出现过失败，且没有为本次改动补充任何针对流行为的单元测试。
• 评审意见只有 LGTM，缺少并发语义讨论 (design): 快速通过；跨流依赖前提（indexer 只读 hidden_states/positions）依赖代码注释而非测试来保障。
• “流不断创建”的根因与量化证据缺失 (documentation): 未解决：读者需要自行用 profiler 复核因果，后续维护者难以判断该顺序约束是否是硬性要求。

风险与影响

• 风险：
  1. 同步契约脆弱（跨流顺序变更）：self.alt_stream.wait_stream(current_stream) 的调用位置没有跟随 with 块一起后移，这是保留 overlap 窗口的有意设计，但它隐含依赖“indexer 只读 hidden_states/positions、只写 QSA 私有 pool buffer”这条注释里的前提。一旦后续有人让 _prepare_qkv_gate 原地改写 hidden_states，或让 indexer 读取 Q/K/V，就会出现跨流读后写竞态，而当前没有测试能捕获。

1. 缺少测试覆盖：没有新增单测；唯一覆盖是端到端模型测试 test/registered/e2e/models/test_qwen4_exp_models.py，且该测试在本 PR 期间曾失败过一次，说明其稳定性与定位能力有限，无法验证“流不再增长”这一诉求。

2. 缺少量化证据与根因说明：diff 中没有新增或删除任何 stream 创建语句，PR body 的 Motivation 也只有两张截图，没有 step time、显存或流数量的量化对比，因此“旧写法导致流持续创建”的因果链条需要读者自行用 profiler 复核。

3. CUDA Graph 捕获路径：该分支只在 get_is_capture_mode() 为真时生效，改变 kernel 的入队顺序会改变捕获到的图拓扑（fork/join 位置），若图稳定性或 replay 行为出现异常，排查成本较高。

4. 审查强度不足：仅一个 LGTM、无行内讨论，且作者自行合并，对热点路径上的并发改动而言把关偏弱。
   - 影响：对用户而言，改动只影响 Qwen 3.8 next（qwen4_exp）模型在 CUDA Graph 捕获 / 回放模式下的 QSA 稀疏注意力路径，预期收益是 profile 中流对象数量与流上下文开销下降；其他模型、其他后端（非 QSA 或非 capture 场景）不受影响，因此回归面很窄。对系统而言，收益上限受限于 _QSA_INDEXER_OVERLAP_TOKEN_THRESHOLD 阈值以下的请求比例，长序列 / 大 batch 不会走到该分支。对团队而言，这是一次典型的“热点路径复用资源而非反复申请”的微优化，改动仅 4 行却涉及跨流依赖前提，值得作为多流 overlap 代码契约维护的反面/正面案例记录到相关代码注释或贡献指南中。
   - 风险标记：跨流依赖契约脆弱, 缺少单元测试覆盖, 无量化性能证据, 作者自审自并, 捕获路径入队顺序变更

关联脉络

• PR #37748 [CPU] Implement fused QK Norm and RoPE kernels: 同属 sglang/srt/models/ 下 qwen 系列模型的注意力路径性能改造：该 PR 修改 qwen3_moe.py 与 models/utils.py 并接入共享融合实现，与本 PR 一样在模型前向热点路径做小范围性能优化，可对照其测试与接入方式。
• PR #39278 [Fix][Qwen-VL] Normalize sentinel on artifact fast path: 同为 Qwen 系列模型的“快路径 / 快速分支”行为修复（multimodal/processors/qwen_vl.py），反映 Qwen 模型线正在密集迭代快速路径上的边界行为，与本 PR 在 capture 快路径上的定点修复属于同一类问题形态。
• PR #36821 [KDA] Support ReplaySSM ring-write in the fused chain-verify kernel: 同样关注 decode / verify 阶段的 kernel 组合与执行路径优化（fused KDA verify + backend 接入），是本仓库近期“流与内核组合优化”方向的可比案例，可作为评估本 PR 收益证据强度的参照。