sgl-project/sglang

重构扩散模型CI测试，删除冗余文件并合并测试套件以提升效率。

建议技术管理者关注此PR以了解扩散模型测试基础设施的演进方向，工程师可精读`testcase_configs.py`中的自动模态推断设计和`test_server_common.py`中的失败聚合机制，这些设计决策有助于提升测试健壮性和可维护性。

为扩散模型后训练新增独立 Rollout API，支持轨迹收集和序列并行对齐的对数概率。

建议精读此 PR 以学习其设计模式：混入类（RolloutDenoisingMixin）分离核心逻辑、SP 对齐策略（避免 all_reduce）和按样本粒度 API 设计。关注 `_kwargs_to_cpu` 的递归问题和文件组织，可能需后续优化。

为 AMD MI35x 添加 GLM-5-MXFP4 模型的夜间准确性及性能测试，并清理过时任务。

建议工程团队了解 AMD CI 测试的配置模式，但 PR 本身变更较为直白，无需深入设计决策。重点关注测试配置参数（如准确性阈值、性能输入长度）是否符合项目标准。

清理 server_args.py 配置文件，内联未使用常量并重新排序代码。

该 PR 值得快速浏览以了解代码整理模式，但无需深入精读，除非关注 server_args 或调度器模块的具体实现。关注点包括常量内联和函数重组的设计决策。

为AMD平台Qwen3.5 MoE模型启用共享专家融合，减少内核启动以提升推理效率。

推荐工程师精读`can_fuse_shared_expert`条件判断和权重映射逻辑，理解AMD特定优化路径；关注FP8兼容性为待办事项，可参考讨论中的技术权衡。

修复 LFM2-VL 模型离线推理崩溃和图像解码差异，确保与 HuggingFace 输出一致。

该 PR 值得精读，尤其关注：1）GPU 与 CPU 图像解码在视觉模型中的正确性权衡，展示了 nvJPEG 与 PIL 实现差异如何显著影响下游输出；2）PyTorch 装饰器 `@torch.inference_mode()` 与 `@torch.no_grad()` 在推理场景中的适用性区别，以及原地操作与张量类型的交互。建议结合 PR body 中的量化数据理解修复效果。

调整GB200集群CI流程，定时任务免审批，手动触发仍需审批。

该PR变更简单直接，适合快速浏览以了解CI策略调整。重点关注环境变量的条件逻辑设计，这是基础设施配置中常见的模式。

修复 Docker 镜像中 runai-model-streamer 依赖缺失和目录创建错误。

此 PR 值得快速审阅，重点关注 Dockerfile 中的依赖添加和目录修复逻辑。对于长期维护，建议后续在 `pyproject.toml` 中统一管理 `runai-model-streamer` 依赖以避免冗余。