执行摘要

• 一句话：解耦 cuBLAS router GEMM 门禁，修复 GB10 退化路径
• 推荐动作：值得精读。改动只有 21 行，但揭示了一个重要的分层设计教训：架构专属内核的门禁不应串联到架构无关的通用加速路径上。建议关注 _router_gemm_cublas_capable 的独立门禁模式，以及 review 中围绕门禁粒度、bias 支持延后、测试脆弱性展开的讨论；同时建议跟进 addmm-bias 的 follow-up 并为该 tier 补一个不依赖平台谓词的单元测试。

功能与动机

关联 Issue #49921 指出：在 GB10（sm_121）上，DeepSeek-V4-Flash 的 router（形状 4096 -> 256，fp32 权重）四个专用 tier 全部被挡——cuteDSL 需要 bf16 权重、DSV3 与 FP32 GEMV 的 shape 不在支持列表、BF16x3 被 is_device_capability_family(100) 拦住，导致 43 个 MoE 层全部退化为普通 fp32 F.linear。PR body 进一步说明：cuBLAS 融合路径只是 torch.mm 的 out_dtype epilogue，不涉及 NVVM/CuteDSL 代码生成、架构无关，却被与专用内核绑定的 allow_specialized_router_gemm 连带禁用；'Family-120 gets none of the specialized SM100 kernels ... but it was also losing the cuBLAS tier it can run'。此外 vllm/utils/deep_gemm.py 已把 family-120 视为 Blackwell，代码库对 family-120 是否算 Blackwell 的判定本身就不一致。

实现拆解

1. 门禁解耦（GateLinear.init）：新增 self._router_gemm_cublas_capable = (current_platform.is_cuda() or current_platform.is_rocm()) and self._router_gemm_no_bias，把“设备能力 + 无 bias”从 allow_specialized_router_gemm（Hopper + family-100 专用内核门槛）中独立出来；allow_cublas_router_gemm 现在只依赖该 capable 标志 + weight.dtype == bfloat16 + out_dtype == float32 三个条件，与专用内核资格完全解耦。
2. set_out_dtype 同步收敛：原逻辑在 __init__ 与 set_out_dtype 两处内联重复“allow_specialized_router_gemm 或 ROCm no-bias”的判断，改动后两处统一复用 _router_gemm_cublas_capable，消除门禁漂移风险——这是 out_dtype 延迟设置（依赖 expert 量化方式）场景下保持资格判定一致的关键。
3. 门禁范围演进：起初 scoped 到 family-120 以控制爆炸半径；gau-nernst 在 Modal 上确认 sm80/86/89 同样支持 out_dtype=fp32 后，加宽为 is_cuda()；为兼容已有测试的 monkeypatch 方式，最终落定为 is_cuda() or is_rocm()（ROCm 分支行为与原先完全一致）。
4. 测试配套的取舍：曾将 tests/kernels/test_gate_linear_rocm_dispatch.py 重命名为 test_gate_linear_dispatch.py 并补充 family-120 用例，reviewer 认为该测试通过 monkeypatch 平台谓词过于脆弱且注释已足够自解释，最终删除全部测试改动，commit 收敛为仅源码文件，rebase 后 CI 全绿。

关键文件：

• vllm/model_executor/layers/fused_moe/router/gate_linear.py（模块 路由门控；类别 source；类型 core-logic；符号 GateLinear.init, GateLinear.set_out_dtype, _router_gemm_cublas_capable）: MoE router GEMM tier 选择的核心文件。本 PR 将 cuBLAS 融合路径（torch.mm out_dtype epilogue）从 allow_specialized_router_gemm（Hopper + SM100）门禁中解耦，新增 _router_gemm_cublas_capable 并在 init 与 set_out_dtype 两处统一复用，使 family-120 / Ampere 等所有 CUDA 架构都能启用 bf16 x bf16 -> fp32 融合 GEMM。

关键符号：GateLinear.init, GateLinear.set_out_dtype

关键源码片段

vllm/model_executor/layers/fused_moe/router/gate_linear.py

MoE router GEMM tier 选择的核心文件。本 PR 将 cuBLAS 融合路径（torch.mm out_dtype epilogue）从 allow_specialized_router_gemm（Hopper + SM100）门禁中解耦，新增 _router_gemm_cublas_capable 并在 init 与 set_out_dtype 两处统一复用，使 family-120 / Ampere 等所有 CUDA 架构都能启用 bf16 x bf16 -> fp32 融合 GEMM。

# vllm/model_executor/layers/fused_moe/router/gate_linear.py
# （PR #54048 调整后的门禁逻辑，位于 GateLinear.__init__ 与 set_out_dtype）
​
# Fused bf16 x bf16 -> fp32 GEMM 资格判断。torch.mm 的 out_dtype epilogue
# 把 fp32 转换折进 GEMM 本身，省掉 grouped_topk 之前的独立 bf16 -> fp32
# copy kernel。这是纯 cuBLAS (CUDA) / hipBLASLt (ROCm) 的 epilogue，
# 不需要 NVVM/CuteDSL 代码生成，因此任何 CUDA-alike 设备都适用
# （无 bias，因为 torch.mm 本身没有 bias 项）。
# 注意：专用 kernel 门禁（Hopper + family-100）会排除 family-120
# Blackwell（GB10 / DGX Spark），但本 tier 依然覆盖它。参见 #49921。
self._router_gemm_no_bias = not bias
self._router_gemm_cublas_capable = (
    current_platform.is_cuda() or current_platform.is_rocm()
) and self._router_gemm_no_bias
self.allow_cublas_router_gemm = (
    self._router_gemm_cublas_capable
    and self.weight.dtype == torch.bfloat16
    and self.out_dtype == torch.float32
)
​
# set_out_dtype(): out_dtype 可能初始为 None，需要等 expert 量化方式
# 确定之后才设置。这里复用 _router_gemm_cublas_capable，避免与 __init__
# 中的门禁逻辑漂移——这是本 PR 解耦的核心收益。
if (
    not self.allow_cublas_router_gemm
    and self._router_gemm_cublas_capable
    and out_dtype == torch.float32
):
    self.allow_cublas_router_gemm = self.weight.dtype == torch.bfloat16

评论区精华

1. 门禁放宽范围：gau-nernst 提出 cuBLAS out_dtype epilogue 在 Ampere 上也应可用，并在 Modal 上实测确认 'I can confirm sm80, sm86, sm89 supports out_dtype=fp32 too'；hclsys 最初限定 family-120 以控制影响面，验证后接受加宽。
2. bias 支持延后：gau-nernst 指出 torch.addmm() 可同时支持 bias，hclsys 决定保持本 PR 只修 no-bias 路径、addmm-bias 留作 follow-up，避免扩大改动面。
3. is_cuda_alike 与测试脆弱性：曾用 is_cuda_alike() 折叠 cuda/rocm 分支，但既有测试的 monkeypatch 方式无法覆盖该谓词，gau-nernst 直言 'Using monkeypatch for this kind of thing is so brittle'，最终改回 is_cuda() or is_rocm() 以复用现有测试驱动。
4. 测试改动被移除：gau-nernst 认为扩展 dispatch 测试不必要——'it's quite self-explanatory in the gate_linear.py file'，作者照办删除。

• cuBLAS tier 门禁放宽范围 (design): 门禁从 family-120 放宽为 is_cuda()，后续为兼容测试 monkeypatch 落定为 is_cuda() or is_rocm()。
• torch.addmm 支持 bias 的取舍 (design): 延后处理，本 PR 仅覆盖 no-bias 路径。
• is_cuda_alike 与测试脆弱性 (testing): 改回 is_cuda() or is_rocm() 以复用现有测试驱动，行为不变。
• 测试文件改动是否必要 (testing): 测试改动被整体删除，commit 只保留 gate_linear.py 源码变更。

风险与影响

• 风险：
  1. 门禁影响面超出发起范围：最终合入版本覆盖全部 CUDA 架构（含 Ampere、Ada 等此前同样被 allow_specialized_router_gemm 排除的架构），这些架构首次从“分离 bf16 -> fp32 cast”切换到“融合 out_dtype epilogue”。gau-nernst 只验证了 sm80/86/89 的 dtype 支持，没有端到端精度回归测试。
  2. 无测试覆盖：合入 commit 不含任何测试文件，router GEMM tier 选择逻辑完全依赖 CI 的隐式覆盖；若未来调整 set_out_dtype 或平台谓词，缺少直接回归锚点。
  3. 数值路径行为变更：bf16 舍入时机改变会使 router logits 精度提高，可能改变 top-k 专家选择进而影响生成结果——这是修复目标，但也属于对既有行为的有意变更，长尾模型中需留意输出差异。
  4. ROCm 路径不变：原 ROCm no-bias 分支本就生效，重构后语义等价，风险低。
     - 影响：对用户：GB10 / DGX Spark 上 DeepSeek-V4-Flash 等 MoE 模型的 router GEMM 不再被迫走独立的 bf16 -> fp32 copy kernel，logits 精度提升且省去一次 kernel 启动；所有 CUDA 架构的 bf16 权重 router 也统一受益。对系统：MoE router 前向路径的 tier 选择门禁被理清，“专用内核资格”与“通用 cuBLAS 加速资格”从此解耦，后续新增架构（如 family-120 之后的消费级 Blackwell）不会再踩同类坑。对团队：贡献了一次低风险、高杠杆的门禁重构，但缺少测试配套是明显短板。
     - 风险标记：门禁放宽覆盖全部 CUDA 架构, 无直接测试覆盖, router logits 数值路径行为变更

关联脉络

• PR #54040 [Kernel] Retire the DSv3 router GEMM CUDA kernel : 同一文件 gate_linear.py 的 MoE router tier 演进：退役 DSV3 专用 GEMM kernel 并在 gate_linear.py 中移除对应分支，与本 PR 的 tier 门禁解耦同属 MoE router 内核路径的持续收敛。
• PR #53574 [Bugfix][SM120] DSv4: pass contiguous C128A decode topk indices on SM120: 同为 SM120 / GB10 上 DeepSeek-V4 系列修复线，本 PR 解决的是同一硬件上 router GEMM 的 tier 缺失问题。