# PR #55353 完整报告 - 仓库：`vllm-project/vllm` - 标题：[Deprecation] Deprecate items scheduled for 0.29 - 合并时间：2026-09-11 23:17 - 原文链接：http://prhub.com.cn/vllm-project/vllm/pull/55353 --- # 执行摘要 - 一句话：清理 0.29 到期弃用项：移除隐式同步属性与旧配置项 - 推荐动作：建议精读，但只精读三处，其余可略过：① `vllm/v1/attention/backend.py` 的契约收缩与 `unpadded()` 的替代传递路径，理解“为什么 CPU 侧长度必须显式获取”；② `vllm/models/deepseek_v4/compressor.py` 与 `vllm/v1/attention/backends/mamba_attn.py` 的 `async_spec_decode` 守卫写法——这是“乐观上界不可用于精确判断”的范式，任何新增读取 `seq_lens_cpu_upper_bound` 的内核都应照此判断；③ `tests/v1/e2e/spec_decode/draft_model/test_async.py` 用 `VLLM_GPU_SYNC_CHECK=error` 取代自建 fixture 的取舍。对使用方，需要在发布说明中明确列出被删除的环境变量与配置别名，并检查自有启动脚本中对 `envs.VLLM_MM_HASHER_ALGORITHM` 之类的直接引用。设计上值得讨论的遗留问题：ReplaySSM 的校验是否应前移到启动期参数校验，以及是否该给所有 `seq_lens_cpu_upper_bound` 消费点加统一断言。 # 功能与动机 PR body 只有一句 “Deprecate items scheduled for 0.29”，动机来自代码中已经写死的到期标记：vllm/config/multimodal.py 的 _get_mm_hasher_algorithm() 通过 get_from_deprecated_env_if_set("VLLM_MM_HASHER_ALGORITHM", "v0.27", "mm_hasher_algorithm") 做环境变量回退；vllm/config/cache.py 用 "v0.29" 标记 VLLM_PREFIX_CACHE_RETENTION_INTERVAL 回退；vllm/config/attention.py 的 use_fp4_indexer_cache 告警明确写着 “deprecated and will be removed in v0.29”；vllm/v1/attention/backend.py 的 seq_lens_cpu / num_computed_tokens_cpu 属性被 @deprecated 标注为 “Prefer using device seq_lens directly to avoid implicit H<>D sync which breaks full async scheduling”。也就是说，这些 API 一旦被误用就会引入隐式 GPU-CPU 同步，直接破坏 full async scheduling 的收益，因此到达承诺的删除窗口后需要彻底切断，而不是继续保留会静默降级的兼容层。 # 实现拆解 1. **收缩 CommonAttentionMetadata 的 CPU 侧契约（改动核心）**：在 `vllm/v1/attention/backend.py` 删除 `_seq_lens_cpu`、`_num_computed_tokens_cpu` 两个惰性字段与 `seq_lens_cpu`、`num_computed_tokens_cpu` 两个 `@deprecated` property，同时移除 `typing_extensions.deprecated` 导入；`unpadded()` 不再切片这两个私有字段，改为透传 `seq_lens_cpu_upper_bound`。保留 device 侧 `compute_num_computed_tokens()`（`seq_lens - query_lens`）与 `token_to_req_indices()` 缓存。影响：所有需要 CPU 长度的调用点要么显式 `seq_lens.cpu()`，要么接受 `seq_lens_cpu_upper_bound` 的乐观语义，否则必须自行加守卫。 2. **生产者与消费者同步迁移**：`vllm/v1/worker/gpu_model_runner.py` 不再构造 `_seq_lens_cpu` / `_num_computed_tokens_cpu`（并删掉 async spec decode 下把二者置 `None` 的特殊分支），只保留 `seq_lens_cpu_upper_bound = self.optimistic_seq_lens_cpu[:num_reqs_padded]`；`vllm/v1/worker/ubatch_utils.py::_make_metadata_with_slice` 去掉两个字段的切片与 `tokens_skipped` 修正逻辑。其余读取方——`vllm/v1/attention/backends/utils.py`、`vllm/v1/spec_decode/llm_base_proposer.py`、`vllm/v1/attention/backends/mla/indexer.py`、`vllm/v1/attention/backends/mla/rocm_aiter_mla_sparse.py`、`vllm/model_executor/models/whisper_causal.py`、`vllm/model_executor/layers/attention/cross_attention.py`、`vllm/distributed/kv_transfer/kv_connector/v1/offloading/scheduler.py`、`benchmarks/attention_benchmarks/mla_runner.py`——同步删除对旧字段 / 旧属性的引用。 3. **为“需要精确 CPU 长度”的两条路径加显式守卫**：`vllm/models/deepseek_v4/compressor.py::_get_c128_boundary` 从读 `metadata._num_computed_tokens_cpu` 改为 `seq_lens_cpu_upper_bound - query_lens` 反推每个请求的 start；`CompressorMetadataBuilder.build` 新增 `async_spec_decode = async_scheduling and speculative_config is not None`，在该组合下直接把 `c128_boundary` 置 `None`，因为 upper bound 在 async spec decode 行上只是“假设 draft 全被接受”的乐观值。`vllm/v1/attention/backends/mamba_attn.py::_compute_common_metadata` 中 ReplaySSM 分支改为读取 `seq_lens_cpu_upper_bound` 并自算 `query_lens_cpu` 得到 `num_computed_d`，若 `decode_base_cpu` / `seq_lens_cpu` 缺失或处于 async spec decode，则抛 `ValueError`（文案改为 “requires exact CPU sequence lengths and decode-base counts”），把“用错长度”的静默风险改成显式失败。 4. **配置与环境变量清理（对用户的破坏面）**：`vllm/envs.py` 删除 `VLLM_MM_HASHER_ALGORITHM` 与 `VLLM_PREFIX_CACHE_RETENTION_INTERVAL` 的声明、`env_with_choices` 注册和读取 lambda；`vllm/config/multimodal.py` 删除 `_get_mm_hasher_algorithm()`，`mm_hasher_algorithm` 直接默认 `"blake3"`；`vllm/config/cache.py` 删除 `_get_prefix_cache_retention_interval()`，`prefix_cache_retention_interval` 改为 `Field(default=0, ge=0)`；`vllm/config/attention.py` 删除 `use_fp4_indexer_cache` 别名、`__post_init__` 中的告警与 `True -> "mxfp4"` 折叠逻辑，以及 `compute_hash()` 里的 `ignored_factors={"use_fp4_indexer_cache"}`（连带删除 `init_logger`/logger）；`vllm/platforms/rocm.py` 移除 `CUDA_VISIBLE_DEVICES` → `HIP_VISIBLE_DEVICES` 的自动拷贝。三处默认值（blake3 / 0 / indexer_kv_dtype="auto"）与旧行为一致，只有“通过环境变量或旧字段覆盖”的用法失效。 5. **测试配套**：`tests/v1/e2e/spec_decode/draft_model/test_async.py` 删除约 60 行手写 `sync_tracker` fixture（`multiprocessing.Value` 计数 + 直接替换 `CommonAttentionMetadata.seq_lens_cpu` property + 打印调用栈），改为 `monkeypatch.setenv("VLLM_GPU_SYNC_CHECK", "error")`，把“禁止隐式同步”的断言下沉到 worker 内置的 GPU sync check，同时删掉 `torch._dynamo.reset()` 与 subprocess 输出依赖；`tests/engine/test_arg_utils.py` 删除已失效的 `test_prefix_cache_retention_interval_from_deprecated_env`。整体上源码与测试同步收敛，没有新增正向功能测试。 关键文件： - `vllm/v1/attention/backend.py`（模块 注意力元数据；类别 source；类型 core-logic；符号 CommonAttentionMetadata.seq_lens_cpu, CommonAttentionMetadata.num_computed_tokens_cpu, CommonAttentionMetadata.compute_num_computed_tokens, CommonAttentionMetadata.unpadded）: 本次契约收缩的中心：删除会触发隐式 D2H 同步的 seq_lens_cpu / num_computed_tokens_cpu 属性与私有字段，并让 unpadded() 改传 seq_lens_cpu_upper_bound，决定了所有下游 backend 如何获取 CPU 侧长度。 - `vllm/models/deepseek_v4/compressor.py`（模块 压缩器后端；类别 source；类型 data-contract；符号 _get_c128_boundary, CompressorMetadataBuilder.build）: C128 边界判定原本依赖被删除的 _num_computed_tokens_cpu，本次改为从 seq_lens_cpu_upper_bound 反推，并新增 async_spec_decode 守卫，是“乐观上界不可用于精确判断”的范式实现。 - `vllm/v1/attention/backends/mamba_attn.py`（模块 线性注意力；类别 source；类型 core-logic；符号 _compute_common_metadata）: Mamba ReplaySSM 改为读取 seq_lens_cpu_upper_bound 并自算 query 长度，且在 async spec decode 或长度缺失时改为显式 ValueError，是本次唯一把“静默用错数据”改成“显式失败”的路径。 - `vllm/v1/worker/gpu_model_runner.py`（模块 模型执行器；类别 source；类型 data-contract）: attention metadata 的生产者：删除对 _seq_lens_cpu / _num_computed_tokens_cpu 的填充与 async spec decode 下的置 None 分支，只保留 seq_lens_cpu_upper_bound，决定了新契约下 CPU 侧信息的唯一来源。 - `vllm/config/cache.py`（模块 缓存配置；类别 source；类型 configuration；符号 CacheConfig.prefix_cache_retention_interval, _get_prefix_cache_retention_interval）: 删除 VLLM_PREFIX_CACHE_RETENTION_INTERVAL 的默认值回退函数，把默认值内联为 Field(default=0, ge=0)，是本次面向用户的配置破坏面之一。 - `vllm/config/multimodal.py`（模块 多模态配置；类别 source；类型 configuration；符号 MultiModalConfig.mm_hasher_algorithm, _get_mm_hasher_algorithm）: 删除 VLLM_MM_HASHER_ALGORITHM 的兼容读取函数，mm_hasher_algorithm 默认值直接写为 "blake3"，FIPS 场景需改用配置项而非环境变量。 - `vllm/config/attention.py`（模块 注意力配置；类别 source；类型 configuration；符号 AttentionConfig.use_fp4_indexer_cache, AttentionConfig.__post_init__, AttentionConfig.compute_hash）: 移除 use_fp4_indexer_cache 弃用别名及其 __post_init__折叠逻辑，并同步清理 compute_hash() 的 ignored_factors，改变旧字段到 indexer_kv_dtype 的隐式映射。 - `vllm/envs.py`（模块 环境变量；类别 source；类型 configuration；符号 VLLM_MM_HASHER_ALGORITHM, VLLM_PREFIX_CACHE_RETENTION_INTERVAL）: 两个环境变量的声明与解析逻辑被整体删除，是判定“用户旧启动脚本会静默失效”的直接依据。 - `vllm/platforms/rocm.py`（模块 平台适配；类别 source；类型 configuration）: 移除 CUDA_VISIBLE_DEVICES → HIP_VISIBLE_DEVICES 的自动拷贝，改变 ROCm 用户的设备可见性语义，是容易被忽略的一项破坏性变更。 - `tests/v1/e2e/spec_decode/draft_model/test_async.py`（模块 同步检测测试；类别 test；类型 test-coverage；符号 test_no_sync_with_spec_decode, sync_tracker, SyncTracker, tracking_seq_lens_cpu）: 用 VLLM_GPU_SYNC_CHECK=error 取代约 60 行手写的同步探测 fixture，是本次唯一有 review 争议的文件，也决定了该用例未来的回归检出能力。 - `vllm/v1/worker/ubatch_utils.py`（模块 批切分工具；类别 source；类型 core-logic；符号 _make_metadata_with_slice）: ubatch 切片路径原本会同步裁剪两个已删除字段并做 tokens_skipped 修正，本次一并删除，体现“隐式同步字段被移除后切片逻辑也要跟着收敛”。 - `tests/engine/test_arg_utils.py`（模块 参数测试；类别 test；类型 test-coverage；符号 test_prefix_cache_retention_interval_from_deprecated_env）: 删除针对已移除环境变量的用例 test_prefix_cache_retention_interval_from_deprecated_env，标志该兼容路径正式退场。 关键符号：CommonAttentionMetadata.seq_lens_cpu, CommonAttentionMetadata.num_computed_tokens_cpu, CommonAttentionMetadata.compute_num_computed_tokens, CommonAttentionMetadata.unpadded, _get_c128_boundary, CompressorMetadataBuilder.build, _compute_common_metadata, _make_metadata_with_slice, _get_mm_hasher_algorithm, _get_prefix_cache_retention_interval, AttentionConfig.__post_init__, AttentionConfig.compute_hash, test_no_sync_with_spec_decode, test_prefix_cache_retention_interval_from_deprecated_env ## 关键源码片段 ### `vllm/v1/attention/backend.py` 本次契约收缩的中心：删除会触发隐式 D2H 同步的 seq_lens_cpu / num_computed_tokens_cpu 属性与私有字段，并让 unpadded() 改传 seq_lens_cpu_upper_bound，决定了所有下游 backend 如何获取 CPU 侧长度。 ```python # vllm/v1/attention/backend.py —— 迁移后的最终形态（节选） @dataclass class CommonAttentionMetadata: # 旧的 _seq_lens_cpu / _num_computed_tokens_cpu 惰性字段已被删除， # 连带删除两个 @deprecated property：它们首次访问时会执行 # seq_lens.to("cpu")，即一次隐式 D2H 同步，直接破坏 full async scheduling。 # 现在想拿 CPU 侧序列长度只能显式调用 seq_lens.cpu()， # 或者使用下面这个语义为“上界”的 CPU 字段。 seq_lens_cpu_upper_bound: torch.Tensor | None = None """(batch_size,) CPU upper bound on seq_lens. Precise for prefill rows and for all rows outside async spec decode; optimistic for async-spec decode rows (assumes every draft was accepted). Not safe for kernels that need exact per-row context lengths on decode rows.""" _num_computed_tokens_cache: torch.Tensor | None = None _token_to_req_indices_cache: torch.Tensor | None = None # 保留下来的 device 侧实现：全程不碰 CPU，供注意力内核直接使用。 def compute_num_computed_tokens(self) -> torch.Tensor: """Compute num_computed_tokens on device (seq_lens - query_lens).""" if self._num_computed_tokens_cache is None: query_lens = self.query_start_loc[1:] - self.query_start_loc[:-1] self._num_computed_tokens_cache = self.seq_lens - query_lens return self._num_computed_tokens_cache # TODO(lucas): remove once we have FULL-CG spec-decode support def unpadded( self, num_actual_tokens: int, num_actual_reqs: int ) -> "CommonAttentionMetadata": # unpadded() 不再搬运已删除的私有字段，而是把 upper bound 一并切片带走， # 这样下游 backend 仍能拿到 CPU 侧近似长度，且不会触发任何同步。 maybe_slice_reqs = lambda x: x[:num_actual_reqs] if x is not None else None return CommonAttentionMetadata( query_start_loc=self.query_start_loc[: num_actual_reqs + 1], query_start_loc_cpu=self.query_start_loc_cpu[: num_actual_reqs + 1], seq_lens=self.seq_lens[:num_actual_reqs], num_reqs=num_actual_reqs, num_actual_tokens=num_actual_tokens, max_query_len=self.max_query_len, max_seq_len=self.max_seq_len, block_table_tensor=self.block_table_tensor[:num_actual_reqs], slot_mapping=self.slot_mapping[:num_actual_tokens], seq_lens_cpu_upper_bound=maybe_slice_reqs(self.seq_lens_cpu_upper_bound), is_prefilling=maybe_slice_reqs(self.is_prefilling), rswa_prefix_lens=maybe_slice_reqs(self.rswa_prefix_lens), replayssm_decode_base_cpu=maybe_slice_reqs(self.replayssm_decode_base_cpu), ) ``` ### `vllm/models/deepseek_v4/compressor.py` C128 边界判定原本依赖被删除的 _num_computed_tokens_cpu，本次改为从 seq_lens_cpu_upper_bound 反推，并新增 async_spec_decode 守卫，是“乐观上界不可用于精确判断”的范式实现。 ```python # vllm/models/deepseek_v4/compressor.py —— C128 边界判定与 async spec decode 守卫 def _get_c128_boundary(metadata: CommonAttentionMetadata) -> bool | None: # 过去直接读 metadata._num_computed_tokens_cpu（已被删除的隐式同步字段）； # 现在从 CPU 上界减去本步 query 长度来反推每个请求的 start： # start = seq_lens - query_lens，与 upper bound 的推导口径保持一致。 seq_lens_cpu = metadata.seq_lens_cpu_upper_bound if seq_lens_cpu is None: return None query_lens = metadata.query_start_loc_cpu[1:] - metadata.query_start_loc_cpu[:-1] starts = seq_lens_cpu - query_lens starts_list = starts.tolist() query_start_loc = metadata.query_start_loc_cpu.tolist() return any( start % 128 + query_start_loc[i + 1] - query_start_loc[i] >= 128 for i, start in enumerate(starts_list) ) class CompressorMetadataBuilder(AttentionMetadataBuilder): def build( self, common_prefix_len: int, common_attn_metadata: CommonAttentionMetadata, fast_build: bool = False, ) -> CompressorMetadata: token_to_req_indices = common_attn_metadata.token_to_req_indices( self.token_to_req_indices ) num_decode_tokens = None if _prefer_two_stage_compressor(): _, _, num_decode_tokens, _ = split_decodes_and_prefills( common_attn_metadata, decode_threshold=1 ) # async spec decode 下 seq_lens_cpu_upper_bound 是“假设所有 draft 都被接受” # 的乐观值，用它判断是否跨 128 边界会算错，因此这种情况下直接放弃该优化。 async_spec_decode = ( self.vllm_config.scheduler_config.async_scheduling and self.vllm_config.speculative_config is not None ) return CompressorMetadata( block_table=common_attn_metadata.block_table_tensor.clamp_(min=0), slot_mapping=common_attn_metadata.slot_mapping, block_size=self.block_size, token_to_req_indices=token_to_req_indices, num_decode_tokens=num_decode_tokens, c128_boundary=( _get_c128_boundary(common_attn_metadata) if self.block_size == 8 and not async_spec_decode else None ), ) ``` ### `vllm/v1/attention/backends/mamba_attn.py` Mamba ReplaySSM 改为读取 seq_lens_cpu_upper_bound 并自算 query 长度，且在 async spec decode 或长度缺失时改为显式 ValueError，是本次唯一把“静默用错数据”改成“显式失败”的路径。 ```python # vllm/v1/attention/backends/mamba_attn.py —— ReplaySSM 的精确长度要求 if self.use_replayssm and not self.use_flashinfer_replayssm and num_decodes > 0: decode_base_cpu = common_attn_metadata.replayssm_decode_base_cpu # 旧实现读 common_attn_metadata._num_computed_tokens_cpu（已删除）； # 现在改为“CPU 上界 - 本步 query 长度”，并显式拒绝无法保证精确性的组合。 seq_lens_cpu = common_attn_metadata.seq_lens_cpu_upper_bound async_spec_decode = ( self.vllm_config.scheduler_config.async_scheduling and self.vllm_config.speculative_config is not None ) if decode_base_cpu is None or seq_lens_cpu is None or async_spec_decode: # 从“静默算错 write position”改成显式报错： # async spec decode 下 upper bound 是乐观值，不能用来推导 decode 写入位置。 raise ValueError( "--use-replayssm requires exact CPU sequence lengths and " "decode-base counts to derive decode write positions" ) query_lens_cpu = ( common_attn_metadata.query_start_loc_cpu[1 : num_decodes + 1] - common_attn_metadata.query_start_loc_cpu[:num_decodes] ) num_computed_d = seq_lens_cpu[:num_decodes] - query_lens_cpu decode_base_d = decode_base_cpu[:num_decodes] align_mode = self.vllm_config.cache_config.mamba_cache_mode == "align" block_size = self.kv_cache_spec.block_size # 注意：query_lens_cpu 现在在更早的位置计算，后续 # decode_steps_cpu / valid_decode_rows 等都复用同一个 CPU 张量。 ``` # 评论区精华 唯一实质性 review 交锋集中在测试改造上（`tests/v1/e2e/spec_decode/draft_model/test_async.py:46`）： > coderabbitai[bot]（标记 Major / Functional Correctness）：“Update the test setup around the GPU sync check to patch `gpu_sync_debug._SYNC_CHECK_MODE` directly instead of only setting `VLLM_GPU_SYNC_CHECK` via monkeypatch.setenv. Apply the patch before exercising the single-GPU UniProcExecutor, preserving the "error" mode...” > mgoin 回复：“@yewentao256 I believe in CI we actually enable sync error by default, so this might not be needed” 讨论的实质是：新测试把断言责任交给 worker 侧读取的环境变量，如果 vllm 已在 fixture 阶段被导入、或 `gpu_sync_debug` 在导入时就把模式固化成 `_SYNC_CHECK_MODE`，那么 `monkeypatch.setenv` 可能不会生效，测试会退化成“只验证能跑通”。mgoin 认为 CI 已经默认开启 sync error，因此这行 setenv 可能多余——但这同时意味着该测试在本地开发环境下的同步断言强度更弱。最终 PR 未做修改即合并（sfeng33 直接 APPROVED，mgoin 的 COMMENTED 也落在同一行），属于“维护者接受现状、未形成明确结论”的状态。 - 新测试用 monkeypatch.setenv 设置 VLLM_GPU_SYNC_CHECK 是否可靠 (testing): PR 未采纳修改即合并（sfeng33 APPROVED，mgoin 的 COMMENTED 落在同一行），维护者接受现状；但“setenv 生效时机”与“是否依赖 CI 默认值”没有形成书面结论。 - 移除隐式同步属性后，测试断言责任向 worker 内置检查转移 (design): 测试与实现同步收敛，维护者接受以环境变量方式兜底；代价是本地（非 CI）执行时同步断言强度不确定。 # 风险与影响 - 风险： 1. **破坏性升级路径缺显式报错**：`vllm/envs.py` 删除 `VLLM_MM_HASHER_ALGORITHM` / `VLLM_PREFIX_CACHE_RETENTION_INTERVAL` 后，用户继续导出这两个变量不会有任何提示，行为静默退回默认值（blake3 / 0）；如果外部代码仍引用 `envs.VLLM_MM_HASHER_ALGORITHM`，则会直接 `AttributeError`。同理 `use_fp4_indexer_cache` 字段被删除后，旧 JSON/CLI 传参是报错还是被 `@config` 忽略，材料中未体现，需要 release note 明确。 2. **`seq_lens_cpu_upper_bound` 的语义陷阱**：该字段在 async spec decode 行上是乐观上界（“assumes every draft was accepted”），只适合不需要逐行精确上下文长度的场景。本 PR 只在 DeepSeek-V4 compressor 与 Mamba ReplaySSM 两处加了 `async_spec_decode` 守卫，`vllm/v1/worker/ubatch_utils.py` 与各 attention backend 中其余仍在读取该字段的路径没有在材料里显示同等判断，存在后续误用该上界做精确判断的隐患。 3. **Mamba ReplaySSM 的失败模式前移不到位**：`_compute_common_metadata` 在每步构建 metadata 时抛 `ValueError`，意味着 `--use-replayssm` + async scheduling + spec decode 的组合会在运行期（而非启动校验期）才失败；虽然从“静默算错 write position”变成“显式报错”是改善，但错误出现时机对生产更不友好。 4. **ROCm 设备可见性行为变更**：`vllm/platforms/rocm.py` 不再把 `CUDA_VISIBLE_DEVICES` 自动拷贝到 `HIP_VISIBLE_DEVICES`，只设置前者的 ROCm 用户会看到可选设备集合变化，可能表现为静默失效或直接报错（取决于剩余校验分支），也影响容器编排脚本。 5. **测试断言强度与可诊断性下降**：如讨论所述，`VLLM_GPU_SYNC_CHECK` 的生效时机未经证实；同时删除 `sync_tracker` 后失去附带的调用栈打印，一旦回归，定位隐式同步来源的成本变高。 6. **正向影响**：删除惰性 `.to("cpu")` 属性后，误触发 D2H 同步的入口被彻底封死，对 full async scheduling 下的 spec decode 吞吐是结构性收益，“性能”标签正来自此。 - 影响：对用户：这是一次需要迁移的破坏性变更——使用 `VLLM_MM_HASHER_ALGORITHM`（FIPS 场景常用 sha256/sha512）、`VLLM_PREFIX_CACHE_RETENTION_INTERVAL`、`--use-fp4-indexer-cache` 或 ROCm 上只设 `CUDA_VISIBLE_DEVICES` 的部署必须调整启动参数，否则会静默回退默认值；但默认路径（blake3、interval=0、indexer_kv_dtype=auto）行为不变，因此多数用户升级无感。对系统：`CommonAttentionMetadata` 的数据契约被收缩，async spec decode + 混合 KV 缓存组、DeepSeek-V4 C128A compressor、Mamba ReplaySSM 这些依赖 CPU 侧长度的路径改由 upper bound + 显式守卫驱动，正确性责任从“隐式同步”转移到调用点判断。对团队：改动横跨 v1 worker、attention backend、config、platforms 与 ROCm 路径（28 个文件），但大多是机械替换，真正的设计决策集中在两处守卫；同时确立了“弃用到期即删除、不再保留静默兼容层”的维护节奏。 - 风险标记：破坏性变更：删除环境变量与配置别名 , 隐式同步属性移除，元数据契约收缩 , 乐观上界可能被误用于精确判断 , Mamba ReplaySSM 运行期报错而非启动校验 , ROCm 设备可见性行为变更 , 测试同步断言可靠性存疑 # 关联脉络 - PR #56138 [Bugfix] Pin EPLB and MLA host-to-device transfer buffers: 同一主题脉络：都在消除 host/device 间的隐式拷贝与同步。本 PR 直接删除会触发 D2H 同步的 seq_lens_cpu 属性，是该方向的延续性收口。 - PR #55450 [Bugfix][Core] Retire Mamba states across null gaps: 同属 Mamba/ 混合缓存的状态管理线。本 PR 修改 vllm/v1/attention/backends/mamba_attn.py 的 ReplaySSM 写入位置推导并增加显式报错，与该 PR 对 mamba 状态语义的修正互为上下文。 - PR #56214 [Model] Support DeepSeek-V4.1-Flash: 同属 DeepSeek-V4 路径：该 PR 引入了 vllm/models/deepseek_v4_1、kv_cache_utils 与 MLA indexer 相关改动，本 PR 随后收缩了同族 vllm/models/deepseek_v4/compressor.py 所依赖的 CPU 侧元数据契约，两者需要一起理解才能判断 C128 边界逻辑是否仍正确。 - PR #56433 [ROCm][Bugfix] Fix AITER preshuffled FP8 block-scale kernel: 本 PR 同时改了 vllm/v1/attention/backends/mla/rocm_aiter_mla_sparse.py 与 vllm/platforms/rocm.py，与该 PR 的 ROCm MLA 路径相邻，合并顺序会影响 ROCm 侧注意力后端的元数据读取。 - PR #53675 [Multimodal] Use GPU NVDEC for EPD encoder-only instance video media IO: 该 PR 修改了 vllm/multimodal/hasher.py 与多模态配置默认值，与本 PR 删除 mm_hasher_algorithm 的环境变量回退（default_factory → "blake3"）落在同一配置面，升级时需要一并核对多模态哈希相关行为。