执行摘要

• 一句话：ROCm 平台 NIXL/UCX 升级及 RIXL 迁移
• 推荐动作：该 PR 是 ROCm 平台基础设施的关键升级，建议阅读 docker/Dockerfile.rocm 和 vllm/distributed/nixl_utils.py 的变更，理解 NIXL 的集成方式和包名统一策略；测试覆盖完整，值得信赖，可安全合入。

功能与动机

PR body 指出要将 ROCm 镜像升级到 pinned upstream NIXL/UCX 版本，构建 ROCm NIXL wheel 并启用 UCX_RMA_PPLN_ENABLE=y，同时优选 nixl_rocm 并保留 RIXL 兼容性。

实现拆解

1. Docker 构建升级：修改 docker/Dockerfile.rocm，将 RIXL 构建阶段替换为 NIXL，更新 UCX 分支，添加 meson-python、pybind11 等依赖，配置 -Dwheel_variant=rocm 构建选项，生成 ROCm 专属 wheel，并通过 ldconfig 注册库路径；同步更新 docker/ci-rocm.hcl 和 docker/docker-bake-rocm.hcl 中的镜像标签。
2. 核心包名逻辑重构：在 vllm/distributed/nixl_utils.py 中新增 _get_nixl_package_name() 方法，统一返回 'nixl_rocm'（ROCm）或 'nixl'（其他平台）；修改 _get_nixl_module_name、_maybe_set_ucx_rcache_limit 和 is_nixl_available 中的包名判断，移除对 'rixl' 的直接引用；is_nixl_available 增加 sys.modules 检查以支持已加载场景。
3. EPLB 通信器和配置清理：在 vllm/distributed/eplb/eplb_communicator.py 中更新 has_nixl() 文档字符串和 RuntimeError 信息，去除 RIXL 字样；在 vllm/config/parallel.py 中更新 EPLB 后端注释。
4. 测试和文档配套：重命名测试文件 test_rixl_gpu_mem_diag.py → test_nixl_rocm_gpu_mem_diag.py，内部函数和打印信息统一为 NIXL；更新 test_nixl_connector.py 中的 fake package 创建列表，加入 nixl_rocm，并添加 @patch 装饰器简化测试；修改 docs/features/nixl_connector_usage.md 删除 RIXL 说明。
5. CI 脚本同步：修改 .buildkite/scripts/ci-bake-rocm.sh 中的 RIXL 变量为 NIXL，适配新构建流程。

关键文件：

• docker/Dockerfile.rocm（模块 部署脚本；类别 infra；类型 infrastructure）: 核心构建变更，将 RIXL 构建阶段替换为 NIXL，升级 UCX，添加 meson 构建依赖和 wheel 生成步骤，是基础设施升级的核心。
• vllm/distributed/nixl_utils.py（模块 分布式层；类别 source；类型 core-logic；符号 _get_nixl_package_name）: 代码中核心逻辑变更，引入 _get_nixl_package_name 方法统一包名，修改模块导入和可用性检查，移除 RIXL 引用。
• tests/v1/kv_connector/unit/test_nixl_rocm_gpu_mem_diag.py（模块 KV 连接器测试；类别 test；类型 rename-or-move；符号 test_gpu_memory_nixl_hma, test_gpu_memory_no_nixl_baseline）: 测试配套文件，重命名并调整测试函数名称和打印信息，确保 GPU 内存泄露检测测试与 NIXL 命名一致。
• vllm/distributed/eplb/eplb_communicator.py（模块 分布式层；类别 source；类型 core-logic）: EPLB 通信器中 NIXL 引用清理，更新文档字符串和异常信息。
• tests/v1/kv_connector/unit/test_nixl_connector.py（模块 KV 连接器测试；类别 test；类型 test-coverage）: 测试配套更新，fake package 创建时加入 nixl_rocm 包，并添加 patch 装饰器简化测试。

关键符号：_get_nixl_package_name, _get_nixl_module_name, is_nixl_available, _maybe_set_ucx_rcache_limit, has_nixl

关键源码片段

vllm/distributed/nixl_utils.py

代码中核心逻辑变更，引入 _get_nixl_package_name 方法统一包名，修改模块导入和可用性检查，移除 RIXL 引用。

# vllm/distributed/nixl_utils.py (after PR)
​
def _get_nixl_package_name() -> str:
    # 返回当前平台对应的 NIXL 包名
    # - ROCm 平台使用 "nixl_rocm"
    # - 其他平台（如 CUDA）使用 "nixl"
    return "nixl_rocm" if current_platform.is_rocm() else "nixl"
​
def _get_nixl_module_name(name: str) -> str:
    # 根据包名和符号名确定导入模块路径
    package_name = _get_nixl_package_name()
    if name == "nixlXferTelemetry":
        return f"{package_name}._bindings"
    return f"{package_name}._api"
​
def is_nixl_available() -> bool:
    # 检查 NIXL 包是否已加载或可通过 import 找到
    pkg = _get_nixl_package_name()
    # 同时检查 sys.modules 以避免重复导入
    return pkg in sys.modules or importlib.util.find_spec(pkg) is not None

tests/v1/kv_connector/unit/test_nixl_rocm_gpu_mem_diag.py

测试配套文件，重命名并调整测试函数名称和打印信息，确保 GPU 内存泄露检测测试与 NIXL 命名一致。

# tests/v1/kv_connector/unit/test_nixl_rocm_gpu_mem_diag.py (after PR)
# 原测试文件名为 test_rixl_gpu_mem_diag.py，随包名变更同步重命名
​
@pytest.mark.parametrize("model_name, sw_size", [("google/gemma-3-1b-it", 512)])
def test_gpu_memory_nixl_hma(model_name, sw_size):
    # 验证 NixlConnector 使用 NIXL 时的 GPU 内存泄露情况
    # 对应原 test_gpu_memory_rixl_hma，连接器类型不变
    ...
​
@pytest.mark.parametrize("model_name", ["google/gemma-3-1b-it"])
def test_gpu_memory_no_nixl_baseline(model_name):
    # 对照组，不使用 NixlConnector，用于隔离 UCX/NIXL 的内存影响
    # 对应原 test_gpu_memory_no_rixl_baseline
    ...

评论区精华

Review 中关于 manylinux 版本的讨论：

• tlrmchlsmth 在 docker/Dockerfile.rocm 评论中指出：_GLIBCXX_USE_CXX11_ABI 设置可能导致 manylinux 版本过高，排除 Ubuntu 22.04 及更早系统。

• AndreasKaratzas 回复已修正此问题，后续 commit 调整了相关配置。
  结论：争议已解决，Dockerfile 最终版本降低了 manylinux 版本要求。

• manylinux 版本兼容性 (other): 作者已修正，降低了 manylinux 版本要求。

风险与影响

• 风险：
  • 兼容性风险：旧版 RIXL 调用可能失效，但代码中通过 _get_nixl_package_name 的返回值保留了老逻辑的 fallback（仅当 nixl_rocm 和 nixl 都不可用时才会退化为 None），但未明确保留 'rixl' 作为包名，若外部依赖直接引用 'rixl' 会失败。
  • 构建环境风险：新 NIXL 依赖 meson-python、pybind11 等，可能在企业受限网络下构建失败；UCX 版本升级可能引入不兼容的 API 变更。
  • 测试覆盖风险：仅 ROCm 平台的 GPU memory 诊断测试被更新，其他平台（如 Intel GPU）的相关测试未调整，可能遗漏回归。
• 影响：
  • 用户影响：ROCm 用户将自动受益于 NIXL 和 UCX 的升级，可能获得更好的性能和稳定性，但升级后需确保 nixl_rocm 包可用；非 ROCm 用户不受影响。
  • 系统影响：CI 镜像构建流程变更，Docker 构建阶段名称和缓存键修改，可能影响构建缓存复用。
  • 团队影响：维护成本降低，因为 NIXL 是上游统一库，不再需要维护 RIXL 分支；但迁移后需同步跟进 NIXL 的更新。
  • 风险标记：兼容性风险, 构建环境变更, 测试仅覆盖 ROCm

关联脉络

• PR #47992 [ROCm] Remove redundant AITER fused_qk_rmsnorm probe (avoids config-time HIP init): 同为 ROCm 平台的基础设施优化，涉及构建和启动流程改进。