执行摘要

• 一句话：修复 Model Runner V2 中多模态嵌入聚集时机错误，避免草稿模型跳过嵌入计算。
• 推荐动作：对于技术管理者和工程师，此 PR 值得快速审阅以确认修复逻辑。可以关注状态管理时机的重要性，尤其是在异步和推测解码场景中，作为学习案例。

功能与动机

根据 PR body 中的表述，'multimodal embeddings gathering should happen before GPUModelRunner.postprocess, which updates the num computed prefill tokens. Otherwise, the multimodal embeddings gathering for the draft model will be skipped.' 因此，动机是防止多模态嵌入聚集因状态更新而错误跳过，确保草稿模型在推测解码中获得正确的输入。

实现拆解

改动集中在单个文件 vllm/v1/worker/gpu/model_runner.py 的 sample_tokens 函数中。关键变更：将初始化 mm_inputs 的逻辑（包括调用 gather_mm_embeddings）从 postprocess 调用之后移动到之前，以确保使用当前步骤的 num_computed_prefill_tokens 状态，而不是更新后的状态。

关键文件：

• vllm/v1/worker/gpu/model_runner.py（模块 GPU Model Runner V2）: 这是 Model Runner V2 的核心文件，修复了多模态嵌入聚集的时机错误，确保草稿模型正确获取嵌入，防止在推测解码中跳过计算。

关键符号：sample_tokens

评论区精华

review 中仅有少量讨论。gemini-code-assist[bot] 评论称此变更为正确的重构，改善了正确性。WoosukKwon 批准了该修复。无争议点，共识认为这是一个必要的 bugfix。

• 多模态嵌入聚集时机 (correctness): 批准修复，无争议，认为变更简单且必要。

风险与影响

• 风险：风险较低，因为变更仅仅是移动代码位置，不涉及新逻辑或复杂变更。然而，需确保移动后逻辑正确，未引入回归错误；review 中已确认逻辑正确。潜在风险包括状态依赖 bug，但变更针对此问题修复。
• 影响：影响范围限定于使用 Model Runner V2 并启用多模态输入和 speculative decoding 的模型。对用户而言，修复了潜在的错误，确保草稿模型接收正确的嵌入输入，可能提升推理准确性。对系统而言，提高了正确性，但不影响性能或其他核心功能。
• 风险标记：状态依赖 bug

关联脉络

• PR #37812 [MRV2] Consider spec decoding in warmup: 同样涉及 Model Runner V2 中 speculative decoding 的集成，共享相似主题，帮助理解 MRV2 中推测解码的演进。
• PR #32951 [Async][Spec Decoding] Zero-bubble async scheduling + spec decoding: 涉及 speculative decoding 的基础实现，与本 PR 的多模态嵌入聚集相关，展示推测解码功能在仓库中的持续优化。