执行摘要

• 一句话：删除 fused_moe 量化入口的死代码分支与参数
• 推荐动作：值得快速浏览，可将其作为死代码删除类 PR 的范本：如何在不跑全量测试的前提下，用调用点穷举与路径等价性表论证“行为零变更”。不需要深入理解 fused MoE 内核细节；如果你正在做 quantization_emulation 或 OCP MX 的后续开发，请留意本 PR 收敛后的唯一分发入口。

功能与动机

该 PR 是 #46142 引入 quantization_emulation 后遗留清理项的闭环。PR body 明确指出：moe_kernel_quantize_input() 携带 ocp_mx_scheme 参数并在函数体开头将 *_a_fp8 短接到 _fp8_quantize_dequantize，但 “Nothing reaches that block.”。代码中留有 TODO：Remove this ocp_mx_scheme is not None block and rely solely on quantization_emulation。fxmarty-amd 在 #46142 review 中两次确认该块不再需要（“Yes I don't think this code block is needed” / “Let's address in an other PR.”），并在 #43983 review 中再次链接 utils.py#L288-L301 要求跟进，本 PR 即完成该请求。

实现拆解

1. 删除入口参数：在 vllm/model_executor/layers/fused_moe/utils.py 中删除 moe_kernel_quantize_input 的 ocp_mx_scheme: str | None = None 参数。该参数原本位于 quantization_emulation 之前的第 6 个位置参数位。提交信息穷举了全仓 26 个调用点：没有任何调用点以关键字 ocp_mx_scheme= 传入，最大位置传参元数为 5（够不到第 6 位），且不存在 **kwargs 透传、别名导入、functools.partial 或 getattr 引用，因此删参不改变任何现有调用行为。
2. 删除短路分支：移除函数体开头的 if ocp_mx_scheme is not None: 整体块（16 行），其中包含三部分——对 w_mxfp4 / w_mxfp4_a_mxfp4 的 pass 空操作、对 *_a_fp8 的 QDQ 短路返回 _fp8_quantize_dequantize(A, A_scale)、以及对应的解释注释与 TODO 标记。
3. 等价性确认：唯一有行为的分支是 .endswith("a_fp8")。OCP MX family 中只有 w_mxfp4_a_fp8 可达（w_mxfp6_e3m2_a_fp8 与 w_mxfp6_e2m3_a_fp8 已在 QuarkOCP_MX_MoEMethod.get_fused_moe_quant_config 中提前抛出 NotImplementedError），且该路径与幸存分发中的 quant_dtype == current_platform.fp8_dtype() + quantization_emulation 分支行为完全一致：两者都落在 _fp8_quantize_dequantize(A, A_scale)，且该函数只接收 A 与 A_scale，不存在被绕过的其他逻辑。
4. 验证配套：未新增测试文件，回归依赖 tests/kernels/moe/test_ocp_mx_moe.py 与 tests/kernels/moe/test_cutlass_moe.py，并跑 pre-commit 对目标文件做静态检查；E2E 计划在 ROCm MI325 上以 amd/gpt-oss-120b-w-mxfp4-a-fp8 + --moe-backend emulation 复测（PR body 标注结果 Coming soon）。

关键文件：

• vllm/model_executor/layers/fused_moe/utils.py（模块 量化工具；类别 source；类型 data-contract；符号 moe_kernel_quantize_input）: 唯一变更文件，移除 moe_kernel_quantize_input 的 ocp_mx_scheme 参数与函数体开头的 OCP MX 短路分支，消除死代码与数据契约上的误导。

关键符号：moe_kernel_quantize_input

关键源码片段

vllm/model_executor/layers/fused_moe/utils.py

唯一变更文件，移除 moe_kernel_quantize_input 的 ocp_mx_scheme 参数与函数体开头的 OCP MX 短路分支，消除死代码与数据契约上的误导。

# vllm/model_executor/layers/fused_moe/utils.py（PR #52603 合并后）
​
​
def moe_kernel_quantize_input(
    A: torch.Tensor,
    A_scale: torch.Tensor | None,
    quant_dtype: None | torch.dtype | str,
    per_act_token_quant: bool,
    block_shape: list[int] | None = None,
    is_scale_swizzled: bool = True,
    quantization_emulation: bool = False,
    mx_alignment: int = 0,
) -> tuple[torch.Tensor, torch.Tensor | None]:
    # 旧版本在此处有一个 `ocp_mx_scheme` 参数和短路分支，会把 `*_a_fp8`
    # 提前送入 `_fp8_quantize_dequantize`，再走正常的 `quant_dtype` 分发。
    # 本次变更删除了该分支：全仓 26 个调用点没有任何一处填写此参数，
    # 且唯一可达的 `w_mxfp4_a_fp8` 与下面 FP8 + emulation 分支行为完全一致
    # （都是 `_fp8_quantize_dequantize(A, A_scale)`），因此等价收敛。
    if quant_dtype == current_platform.fp8_dtype():
        # 模拟量化模式：复用已有非模拟算子完成 QDQ（quantize-dequantize）往返
        if quantization_emulation:
            return _fp8_quantize_dequantize(A, A_scale)
        # 原生模式：直接走硬件量化
        else:
            return _fp8_quantize(A, A_scale, per_act_token_quant, block_shape)
    elif quant_dtype == torch.int8:
        # int8 目前不支持模拟量化，显式拒绝
        if quantization_emulation:
            raise NotImplementedError(
                "moe_kernel_quantize_input does not support quant_dtype=torch.int8"
                " MOE quantization emulation. Please open an issue."
            )
        return _int8_quantize(A, A_scale, per_act_token_quant, block_shape)
    elif quant_dtype == "nvfp4":
        if not quantization_emulation:
            return _nvfp4_quantize(A, A_scale, is_sf_swizzled_layout=is_scale_swizzled)
        else:
            # 模拟路径：用参考实现先 QDQ 再原样返回，供精度对齐使用
            assert A_scale is not None
            A = ref_nvfp4_quant_dequant(A, A_scale, block_size=16)
            return A, None
    elif quant_dtype == "mxfp4":
        # 非 XPU 且非模拟模式禁止使用，防止误走通用量化路径
        if not current_platform.is_xpu() and not quantization_emulation:
            raise NotImplementedError(
                "moe_kernel_quantize_input should not be used for native"
                " quant_dtype='mxfp4' MOE. Please open an issue."
            )
        return _mxfp4_quantize(A, A_scale, per_act_token_quant, block_shape)
    # 后续 `mxfp8`、`mxfp6` 等分支保持不变，统一由 `quant_dtype` 分发

评论区精华

本 PR 的 review 讨论很少且无技术交锋。fxmarty-amd（#46142 中 TODO 的提出者）在批准时仅表示 “LGTM thanks a lot for the cleanup!”，没有提出新问题；这意味着最了解这段遗留历史的人认可清理的等价性论证。claude[bot] 提示 PR 来自 fork、自动化 review 被禁用，最终未触发。核心论证（26 个调用点穷举、位置元数分析、路径等价性表）全部在 PR body 和 commit message 中完成，而非在 review 中产生。

• fxmarty-amd 对清理闭环的确认 (design): 清理请求闭环，reviewer 认可等价性论证并批准合并。
• fork PR 的自动化 review 说明 (other): 无实质技术影响，人类 reviewer 已完成批准。

风险与影响

• 风险：
  1. 数据契约风险（参数删除）：moe_kernel_quantize_input 删除了位置索引为 6 的参数。仓库内 26 个调用点已穷举无引用，但若外部 fork 或深度下游直接 import 该内部函数，并按位置或 ocp_mx_scheme= 关键字传入第 7 个实参，会收到 TypeError。该函数属于 vllm.model_executor.layers.fused_moe 内部实现，非公开 API，影响面可控。
  2. 行为回归风险：等价性依赖 OCP_MXQuantizationEmulationTritonExperts.__init__ 同时设置 quantization_emulation = True 与 _quant_dtype = current_platform.fp8_dtype()，以及 TritonExperts.apply 的正确转发。若未来出现新的 *_a_fp8 OCP MX 变体且不走 emulation 初始化路径，将缺少旧分支兜底；当前无此类变体，风险仅停留在理论层。
  3. 测试覆盖风险：本 PR 无直接测试文件变更，依赖存量 MoE 回归测试与人工 E2E；若存量测试未覆盖 emulation + OCP MX 组合路径，存在漏检行为回归的可能。
• 影响：
  1. 用户与运行时影响：零影响，纯死代码删除，不改变任何量化结果或推理路径。
  2. 代码结构影响：moe_kernel_quantize_input 签名收敛，量化路径唯一由 quant_dtype + quantization_emulation 决定，消除了对 ocp_mx_scheme 的隐式依赖与后续维护者的误用空间。
  3. 团队与流程影响：低。单文件 16 行删除、1 个 commit、3 条评论即完成合并；为同类清理 PR 提供了“调用点穷举 + 路径等价性”的论证模板。
     - 风险标记：数据契约变更, 无直接测试覆盖, 依赖存量回归

关联脉络

• PR #46142 （标题未在当前上下文中提供）: 引入 quantization_emulation 统一路径并遗留本 PR 删除的 TODO 分支；fxmarty-amd 在 review 中两次要求后续清理，是本 PR 的直接来源。
• PR #43983 （标题未在当前上下文中提供）: review 中再次点名 utils.py#L288-L301 要求跟进；本 PR 的 E2E 复测方案（amd/gpt-oss-120b-w-mxfp4-a-fp8 + --moe-backend emulation）沿用其模型组合。
• PR #52182 Remove VLLM_TEST_FORCE_FP8_MARLIN to replace with linear_backend/moe_backend: 同属 fused_moe 量化后端清理，移除临时分支/测试环境变量、收敛到公开配置，与本 PR 共同体现量化路径的收敛化演进趋势。