执行摘要

• 一句话：draft_model 默认启用异步调度并移除 xfail

• 推荐动作：建议快速精读，3 个文件、1 行核心改动，几分钟即可读完：

• 最值得关注的设计：VllmConfig.__post_init__ 中异步调度默认解析的完整分支链（pooling → speculative 方法白名单 → disable_padded_drafter_batch → executor 支持性 → ROCm DeepEP），是理解 vLLM 配置默认值“先收窄、再放宽”策略的好样例。

• 可借鉴的测试模式：用“定制异常 + xfail(raises=...)”在缺陷未修复时精确标记失败、避免 CI 噪音，修复后再收敛为普通断言，让回归第一时间可见。
  • 若负责 speculative-decoding 或配置系统，建议阅读 tests/test_config.py 新增用例作为默认值回归测试的模板。

功能与动机

issue #38929 报告 draft_model 推测解码测试的两类失败：Expected async_scheduling=True for draft_model spec decode, got False. 的断言错误，以及引擎核心初始化失败。PR body 指出根因：VllmConfig 在显式开启 async_scheduling 时允许 Draft Model，但默认解析路径（async_scheduling is None 分支）把 draft_model 当作不支持的方法而默认禁用，造成默认行为与显式行为不一致，并使相关正确性测试长期 xfail。本 PR 的目标是把默认解析与显式开启对齐，无需用户手动设置即可自动启用异步调度。

实现拆解

本变更通过 5 个步骤完成配置默认值修复与测试恢复：

1. 定位默认解析入口：vllm/config/vllm.py 中 VllmConfig.__post_init__ 是 async_scheduling 的唯一默认值解析点。当用户未显式设置（值为 None）时，代码按优先级依次检查 pooling 模型、speculative 方法白名单、disable_padded_drafter_batch、executor 后端支持性和 ROCm DeepEP 这几个不兼容条件，任何一条命中就关闭异步调度。
2. 修改核心判断：在“方法不在 EAGLE / NGram GPU / DSpark 白名单则禁用”的条件里新增 self.speculative_config.method != "draft_model"，使 draft_model 不再落入禁用分支。由于显式开启分支本来就允许 Draft Model，修复后默认解析与显式行为保持一致（对应 issue #38929 中的 async_scheduling=False 断言失败）。
3. 保留兜底保护：新增判断只影响 None 分支；disable_padded_drafter_batch、executor_supports_async_sched、uses_rocm_deepep_ht_dbo 等后续检查原样保留，默认开启不等于无条件开启。
4. 补充配置层回归测试：tests/test_config.py 新增 test_draft_model_enables_async_scheduling_by_default，用 ParallelConfig(distributed_executor_backend="uni") 与 SpeculativeConfig(method="draft_model", ...) 构造最小配置，断言 cfg.scheduler_config.async_scheduling is True。
5. 清理 xfail 并恢复强断言：tests/v1/e2e/spec_decode/draft_model/test_draft_model.py 删除 AsyncSchedulingNotEnabledError 异常类、5 处 xfail 标记及相关 TODO 注释，把“抛定制异常”改为普通 assert has_async，让正确性与接受率断言重新成为真实回归信号。

验证配套：本地单卡 11 项测试与双卡 TP=2 测试通过（2x NVIDIA B200），GSM8K 准确率 0.673，接受率 0.93、接受长度 3.78，pre-commit 与 DCO 检查通过。

关键文件：

• vllm/config/vllm.py（模块 配置解析；类别 source；类型 core-logic；符号 VllmConfig.post_init）: 核心修复文件：在 VllmConfig.__post_init__ 的默认解析分支中新增 method != "draft_model" 判断，使 draft_model 推测解码默认启用异步调度，与显式开启行为对齐。1 行新增，全部逻辑价值所在。
• tests/test_config.py（模块 配置测试；类别 test；类型 test-coverage；符号 test_draft_model_enables_async_scheduling_by_default）: 新增纯配置层回归测试 test_draft_model_enables_async_scheduling_by_default，防止将来再次把 draft_model 归入不支持列表而回归。
• tests/v1/e2e/spec_decode/draft_model/test_draft_model.py（模块 推测解码；类别 test；类型 test-coverage；符号 AsyncSchedulingNotEnabledError, assert_draft_model_correctness）: 删除 5 处 xfail、AsyncSchedulingNotEnabledError 定制异常及相关 TODO，将异步调度断言收敛为普通 assert，恢复 e2e 测试的真实回归能力。

关键符号：VllmConfig.post_init, test_draft_model_enables_async_scheduling_by_default, assert_draft_model_correctness

关键源码片段

vllm/config/vllm.py

核心修复文件：在 VllmConfig.__post_init__ 的默认解析分支中新增 method != "draft_model" 判断，使 draft_model 推测解码默认启用异步调度，与显式开启行为对齐。1 行新增，全部逻辑价值所在。

        elif self.scheduler_config.async_scheduling is None:
            # 未显式指定 async_scheduling 时，按优先级自动解析默认值。
            # 分支顺序很关键：pooling 模型、不支持的 speculative 方法、
            # disable_padded_drafter_batch、executor 后端、ROCm DeepEP 依次拦截。
            if (
                self.model_config is not None
                and self.model_config.runner_type == "pooling"
            ):
                # 异步调度会拖慢 pooling 模型，因此默认关闭。
                logger.debug(
                    "Disabling asynchronous scheduling by default for pooling model."
                )
                self.scheduler_config.async_scheduling = False
            elif (
                self.speculative_config is not None
                and self.speculative_config.method not in get_args(EagleModelTypes)
                and self.speculative_config.method not in get_args(NgramGPUTypes)
                # 本次修复的关键一行：把 draft_model 从“不支持清单”中排除，
                # 使 draft_model 推测解码默认启用异步调度，与显式开启行为一致。
                and self.speculative_config.method != "draft_model"
                and self.speculative_config.method != "dspark"
            ):
                logger.warning_once(
                    "Async scheduling not supported with %s-based "
                    "speculative decoding and will be disabled.",
                    self.speculative_config.method,
                )
                self.scheduler_config.async_scheduling = False
            elif (
                self.speculative_config is not None
                and self.speculative_config.disable_padded_drafter_batch
            ):
                logger.warning_once(
                    "Async scheduling is not compatible with "
                    "disable_padded_drafter_batch=True and will be disabled.",
                )
                self.scheduler_config.async_scheduling = False
            elif not executor_supports_async_sched:
                # 后端不支持时仍然兜底关闭，保证默认路径与显式路径行为安全。
                logger.warning_once(
                    "Async scheduling will be disabled because it is not supported "
                    "with the `%s` distributed executor backend. ",
                    executor_backend,
                )
                self.scheduler_config.async_scheduling = False
            elif uses_rocm_deepep_ht_dbo:
                logger.warning_once(
                    "Async scheduling is disabled for ROCm DeepEP "
                    "high-throughput DBO because that combination can corrupt "
                    "DP+EP generation accuracy."
                )
                self.scheduler_config.async_scheduling = False

tests/test_config.py

新增纯配置层回归测试 test_draft_model_enables_async_scheduling_by_default，防止将来再次把 draft_model 归入不支持列表而回归。

def test_draft_model_enables_async_scheduling_by_default():
    # 构造最小但完整的配置组合：draft_model 推测解码 + uni 分布式后端，
    # 不显式设置 async_scheduling，走默认解析路径。
    parallel_config = ParallelConfig(distributed_executor_backend="uni")
    model_config = ModelConfig("Qwen/Qwen3-0.6B", max_model_len=2048)
    speculative_config = SpeculativeConfig(
        method="draft_model",
        model="Qwen/Qwen3-0.6B",
        num_speculative_tokens=3,
        target_model_config=model_config,
        target_parallel_config=parallel_config,
    )
    cfg = VllmConfig(
        model_config=model_config,
        scheduler_config=SchedulerConfig(
            max_model_len=2048,
            is_encoder_decoder=False,
        ),
        parallel_config=parallel_config,
        speculative_config=speculative_config,
    )
​
    # 回归断言：默认解析后 async_scheduling 必须为 True，
    # 防止将来再次把 draft_model 归入“不支持”列表而禁用异步调度。
    assert cfg.scheduler_config.async_scheduling is True

tests/v1/e2e/spec_decode/draft_model/test_draft_model.py

删除 5 处 xfail、AsyncSchedulingNotEnabledError 定制异常及相关 TODO，将异步调度断言收敛为普通 assert，恢复 e2e 测试的真实回归能力。

    # 原实现用 AsyncSchedulingNotEnabledError 包装该断言，配合 xfail 精确捕获
    # issue #38929 的已知缺陷；修复后收敛为普通 assert，任何回归都会直接失败。
    has_async = spec_llm.llm_engine.vllm_config.scheduler_config.async_scheduling
    del spec_llm # CLEANUP
    torch.accelerator.empty_cache()
    cleanup_dist_env_and_memory()
    assert has_async, "Expected async_scheduling=True for draft_model spec decode"

评论区精华

该 PR 没有任何 inline review 评论，时间线主要被自动化机器人占据，技术讨论几乎为零：

• mergify[bot] 曾提示存在 merge conflict，需要 rebase 后才能合并。
• mgoin 通过 /ci run 批准并触发 Buildkite CI（#82523），作者随后对最新提交再次触发 CI（#82616）。
• 唯一有价值的设计信息来自被删除的代码注释：原 AsyncSchedulingNotEnabledError 继承 AssertionError 的目的，是让 xfail(raises=AsyncSchedulingNotEnabledError) 只捕获“异步调度未开启”这一种失败，而正确性、接受率等其他断言失败仍会作为真实失败暴露。修复落地后，这个“精确标记已知缺陷”的机制与 xfail 一起被移除，收敛为普通 assert has_async。

• PR body 强调作者已检索 issue #38929 评论及所有相关 PR，确认没有其他 PR 处理同一默认值修复，避免了重复工作。

• 无实质 review 讨论，仅 CI 与冲突处理交互 (other): 无技术性分歧；mgoin 批准后合入。值得留意的是测试代码中曾经存在的设计：用 AsyncSchedulingNotEnabledError（继承 AssertionError）配合 xfail(raises=...) 精确标记已知缺陷，修复后该机制随 xfail 一起移除。

风险与影响

• 风险：风险点集中在默认行为变更的波及面：

• 默认行为变更：凡是使用 draft_model 且未显式设置 async_scheduling 的部署，默认值从 False 变为 True。虽然这是 issue #38929 声明的预期行为，但仍属于全局配置默认值的变化；好在该变更处在 VllmConfig.__post_init__ 的 elif 链中，disable_padded_drafter_batch、executor 后端支持性、ROCm DeepEP 等兜底检查（vllm/config/vllm.py）仍然生效，不支持异步调度的环境不会受影响。

• 显式路径不受影响：用户显式设置 async_scheduling=False 或 True 时走的是另外两个分支，本次改动不涉及。
• e2e 测试恢复强断言：5 个测试从 xfail 恢复为真实执行，依赖 GPU 与 HuggingFace 模型下载的 CI 任务可能因环境波动出现偶发失败；这是修复后的正常成本，但值得 CI 关注。
  • 无安全、性能相关风险；异步调度的运行时实现未改动。

• 影响：影响评估如下：

• 用户影响：使用 draft_model 推测解码（如 Qwen/Qwen3-0.6B 作 draft）的用户无需再手动开启异步调度，默认行为与显式设置一致，消除了 issue #38929 报告的行为不一致。

• 系统影响：仅触及 v1 引擎配置解析默认值（vllm/config/vllm.py 一处条件），调度与执行运行时代码零改动。
• 团队与工程影响：5 个 GPU e2e 测试从 xfail 恢复为强断言，speculative-decoding 回归防护显著增强；tests/test_config.py 新增的配置层测试为后续 spec decode 默认行为变更提供了可复用的回归模板。
• 影响程度：中低。改动面小（1 行核心逻辑）、有兜底分支保护，但触点位于全局默认配置，且恢复了多个依赖真实模型下载的 e2e 测试。
• 风险标记：默认行为变更, e2e 测试依赖 GPU 与模型下载

关联脉络

• PR #50910 [Model Runner V2] Cache draft logits in model's LM head dtype: 同属 speculative-decoding 功能线的 draft model 路径改动（draft logits 缓存 dtype 优化），与本 PR 一起构成该模块近期的正确性与性能迭代。
• PR #50183 [Bugfix][Spec Decode] Fix NaN handling in rejection sampler tl.argmax: 同为 speculative-decoding 正确性修复，都在 draft model 采样链路上，与本 PR 的默认行为修复互补。