sgl-project/sglang

融合 DSA 元数据生成，CUDA graph replay 减负 70%

值得精读。展示了如何用 Triton 内核融合多个小操作以减少 kernel launch 开销，`do_not_specialize` 的使用是避免重编译的关键技巧。此外，review 中关于 try-except 与 if-else 的取舍、拆分依赖的实践，都有参考价值。

图像预热默认使用模型分辨率，声明Z-Image默认1024x1024

本PR设计清晰，改动量小但成效明显，值得阅读 `_resolve_default_warmup_resolution` 的新逻辑和 `ZImageTurboSamplingParams` 的配置声明。对于团队，建议在新模型配置中统一声明 `width`/`height`，使预热自动受益。

迁移JIT测试CI注册到stage/runner_config模型

本PR值得CI维护者精读，特别是run_suite.py中的命名约定和skills文档的示例。设计决策上，将suite拆分为stage和runner_config提高了灵活性，但命名中嵌入硬件规格（如1-gpu-large、4-gpu-b200）可能造成耦合，后续可考虑进一步抽象。

新增 SM90 Q8KV8 FP8 稀疏 MLA 预填充 JIT 内核，性能提升 1.15-1.31x

此 PR 是高质量的独立内核提交，代码结构、测试覆盖和性能数据完善。推荐所有关注 Hopper FP8 优化和注意力机制的工程师精读，特别是 Python 封装和编译标志裁剪部分值得借鉴。

融合 SiLU+Mul 与 NVFP4 量化到单个 CUDA 核，消除中间缓冲

该 PR 值得精读，尤其是 CUDA kernel 融合策略、JIT kernel 注册流程以及 MoE 后端选择逻辑。设计上在保持精度 bit 一致的同时获得性能收益，是典型的高阶优化。

集成 FlashInfer SM120 稀疏 MLA 解码，decode 提升 2.2-3.7x

值得精读，尤其关注 `_page_split_kernel` 的 fused layout 转换设计和 FlashInfer 集成的惰性缓冲区策略。设计决策中，索引重映射恒等移除和直接导入 FlashInfer（而非自动检测）是重要权衡。

支持 Flashinfer A2A 与 TRTLLM 路由 MoE 融合

值得精读，特别是 fused func 的注册模式、dummy token 移除的假设和 FP4 量化前处理的优化。设计上通过 `@register_fused_func` 保持了 dispatcher 和 runner 的解耦，该模式可推广到其他 MoE 后端组合。

修复 DeepSeek V3 双流 MoE 中 CUDA 图捕获顺序导致的精度崩溃

- **值得精读**：本 PR 揭示了 CUDA 图捕获中一个极其微妙且危险的陷阱——host-side 张量元数据修改与 CUDA 图捕获的交互问题。 - **值得学习的设计权衡**：为性能收益（~1%），作者选择了“按顺序即正确”的方案而非更健壮的修复，但记录了明确的注释和未来改进方向。 - **测试覆盖**：虽然无直接新增的单元测试，但通过 `test_moe_ep_extra.py` 的 gsm8k 测试（精度 > 0.60）验证了正确性。