执行摘要

• 一句话：增大Qwen3.5 MTP GSM8K评估生成长度
• 推荐动作：可直接合入。变更简单明确，已获得批准，且不影响其他功能。

功能与动机

GSM8K评估的默认max_tokens=256过短，导致Qwen3.5 MTP3的思维链被截断，提取的最后一个整数可能不正确，准确率（0.8469）低于阈值（0.8500）。PR body明确说明了失败构建链接和数值依据。

实现拆解

1. 在tests/evals/gsm8k/configs/Qwen3.5-397B-A17B-NVFP4-DEP2-MTP.yaml中新增max_tokens: 12000字段，覆盖默认的256。
2. 将server_args中的--max-model-len从4096改为16384，为推理提供足够上下文。
3. 非MTP配置不变，避免影响其他评估。

关键文件：

• tests/evals/gsm8k/configs/Qwen3.5-397B-A17B-NVFP4-DEP2-MTP.yaml（模块 测试配置；类别 test；类型 test-coverage）: 唯一变更文件，调整GSM8K评估的生成长度和模型长度。

关键符号：未识别

关键源码片段

tests/evals/gsm8k/configs/Qwen3.5-397B-A17B-NVFP4-DEP2-MTP.yaml

唯一变更文件，调整GSM8K评估的生成长度和模型长度。

# tests/evals/gsm8k/configs/Qwen3.5-397B-A17B-NVFP4-DEP2-MTP.yaml
model_name: "nvidia/Qwen3.5-397B-A17B-NVFP4"
accuracy_threshold: 0.88
tolerance: 0.03
num_questions: 1319
num_fewshot: 5
# 新增 : 覆盖默认 max_tokens=256，确保 MTP 推理完整
max_tokens: 12000
server_args: >-
  # 从 4096 提升至 16384，为长思维链提供足够上下文
  --max-model-len 16384
  --data-parallel-size 2
  --enable-expert-parallel
  --max-num-seqs 384
  --spec-method mtp
  --spec-tokens 3

评论区精华

review中AndreasKaratzas批准，但建议若非紧急则让khluu审阅。机器人chatgpt-codex-connector[bot]要求补充测试证据和结果。

• 补充评估证据 (question): 未明确回复，但AndreasKaratzas已批准，认为只要不超时即可。

风险与影响

• 风险：风险低。仅修改单一测试配置文件，增大生成长度和模型长度可能增加CI运行时间，但仍在45分钟超时内（AndreasKaratzas确认）。
• 影响：仅影响Qwen3.5-397B MTP3的GSM8K评估配置，其他配置不变。修复后MTP评估准确率应恢复至阈值以上。
• 风险标记：测试配置变更

关联脉络

• 暂无明显关联 PR