执行摘要

• 一句话：补全 Kimi-Linear 融合映射，修复注意力层误量化
• 推荐动作：该 PR 本体只有 1 行配置修复，不值得单独精读；但若你参与 compressed-tensors 集成或 Kimi 系列模型维护，值得了解 packed_modules_mapping 与 should_ignore_layer() 的联动机制，以及后续是否为此类映射补充单元测试以覆盖回归。

功能与动机

作者在测试 Kimi-K3 W4A8（RTN）量化 checkpoint 时，发现若干 Linear 层被有意保留 bf16 不量化，但其中一个 bf16 的注意力投影仍被当作量化层处理。根因是 #50500 引入的 KimiLinearModel.packed_modules_mapping 缺少 fused_qkv_a_proj 条目，导致 compressed-tensors 的 should_ignore_layer() 无法把融合层名映射回未融合的 checkpoint 名称（q_a_proj / kv_a_proj_with_mqa），最终这些本应豁免的层被默认量化目标选中。

实现拆解

1. 定位触发链路：Kimi-K3 的 MLA 注意力在 config 设置 q_lora_rank 时，会将 q_a_proj 与 kv_a_proj_with_mqa 融合为 fused_qkv_a_proj（见 mla.py 的 MultiHeadLatentAttention）。compressed-tensors 依赖 packed_modules_mapping 反查 checkpoint 中的层名，缺失该融合条目导致 ignore 规则失效。
2. 修改映射表：在 vllm/models/kimi_k3/nvidia/model.py 的 KimiLinearModel.packed_modules_mapping 字典中新增 "fused_qkv_a_proj": ["q_a_proj", "kv_a_proj_with_mqa"]，与 mla.py 中的融合约定对齐。
3. 验证方式：作者使用真实 Kimi-K3 W4A8（RTN）checkpoint 验证 should_ignore_layer() 现在能正确将 fused_qkv_a_proj 解析为“ignored”（bf16），而修复前会落入默认量化 Linear 目标并导致内核选择失败。
4. 配套情况：本 PR 未附带单元测试，依赖真实 checkpoint 的集成验证和 CI（Buildkite #82670）覆盖；建议后续为 packed_modules_mapping 与 ignore 规则联动补充测试。

关键文件：

• vllm/models/kimi_k3/nvidia/model.py（模块 Kimi 模型；类别 source；类型 data-contract；符号 KimiLinearModel, packed_modules_mapping）: PR 唯一改动文件，KimiLinearModel.packed_modules_mapping 新增 fused_qkv_a_proj 条目，修复量化 checkpoint 中 MLA 注意力层 ignore 规则解析失效的问题。

关键符号：packed_modules_mapping

关键源码片段

vllm/models/kimi_k3/nvidia/model.py

PR 唯一改动文件，KimiLinearModel.packed_modules_mapping 新增 fused_qkv_a_proj 条目，修复量化 checkpoint 中 MLA 注意力层 ignore 规则解析失效的问题。

# vllm/models/kimi_k3/nvidia/model.py
​
class KimiLinearModel(nn.Module, EagleModelMixin, SupportsQuant):
    # 融合参数名 -> 未融合 checkpoint 参数名的映射表，
    # 供 compressed-tensors 反向解析 ignore 规则中的层名。
    # 缺少 fused_qkv_a_proj 时，量化 checkpoint 中显式豁免
    # 的 q_a_proj / kv_a_proj_with_mqa 无法被识别为“忽略”，
    # 导致 MLA 注意力层被误量化或内核选择失败。
    packed_modules_mapping = {
        # MoE / dense MLP 的 gate 与 up 投影融合
        "gate_up_proj": ["gate_proj", "up_proj"],
        # KDA 线性注意力层的前置投影融合（q / k / v / b / f_a）
        "in_proj_qkvgfab": ["q_proj", "k_proj", "v_proj", "b_proj", "f_a_proj"],
        # 一维卷积融合（q / k / v 三个 conv1d）
        "conv1d": ["q_conv1d", "k_conv1d", "v_conv1d"],
        # MLA 注意力在 q_lora_rank 设置时的 q / kv 融合（本次新增）
        "fused_qkv_a_proj": ["q_a_proj", "kv_a_proj_with_mqa"],
    }

评论区精华

该 PR 没有产生人工 review 评论。copilot-pull-request-reviewer 自动评审确认修复方向是“教会 packed_modules_mapping 如何将 fused_qkv_a_proj 映射回原始 checkpoint（未融合）名称”；作者在 issue 评论中说明这是 #50500 的小型后续，并请 @kylesayrs @mgoin 复核；维护者 jeejeelee 触发 CI 后直接批准合并。

• 复核与 CI 触发 (question): jeejeelee 批准合并，CI #82670 已触发；无未解决技术争议。

风险与影响

• 风险：风险很低，但存在两个关注点：一是无配套单元测试，packed_modules_mapping 是压缩张量集成的数据契约，若后续 mla.py 调整融合命名，需要同步维护该映射；二是本 PR 只修改了 vllm/models/kimi_k3/nvidia/model.py，vllm/models/kimi_k3/amd/ 路径下若存在类似的 KimiLinearModel 定义，需确认是否有相同问题。此外，新增条目会改变 fused_qkv_a_proj 在量化目标选择中的默认行为，但修复后更符合 checkpoint 的显式豁免意图，回归风险可控。
• 影响：影响范围限定在启用 q_lora_rank 的 Kimi-K3 量化 checkpoint（如 W4A8/RTN）加载路径：修复后 bf16 豁免按 checkpoint 意图生效，避免 MLA 注意力层精度退化与内核选择失败；对未使用量化或未显式豁免这些层的用户无行为变化。系统层面仅 +1 行配置映射，无性能与安全影响。该 PR 被标记于 v0.27.0 cherry picks，预计随版本发布。
• 风险标记：缺少测试覆盖, 量化路径回归风险, 数据契约变更

关联脉络

• PR #50500 [Model] Add packed_modules_mapping to KimiLinearModel: 本 PR 的直接上游，commit 消息明确指出 packed_modules_mapping 由 #50500 引入，本次补齐其缺失的 fused_qkv_a_proj 条目。
• PR #51253 [ROCm][Perf] Kimi-K3 Shard Latent MoE up-projection for ROCm path: 同属 vllm/models/kimi_k3/ 模型目录（amd 路径），表明 Kimi-K3 支持在持续扩展；本次修复仅覆盖 nvidia 路径，ROCm 路径是否存在等价映射需额外确认。