执行摘要

• 一句话：修复 MoE LoRA 打包忽略 rsLoRA 缩放因子
• 推荐动作：值得精读。这是一个典型的“单一事实来源”修复：优先使用 PEFTHelper 已存储的 per-adapter 缩放因子，而非在打包路径中重新推导，避免语义漂移。测试设计（参数化两条路径 + 保留非 gated 特例）也值得借鉴，且删除了无回归信号的低价值参数化。

功能与动机

issue #55545 报告：使用 rank-stabilized LoRA（use_rslora: true）训练的适配器在作用于 MoE 专家模块时被应用了错误的缩放量级。PEFTHelper 为每个适配器计算并存储 vllm_lora_scaling_factor = lora_alpha/sqrt(r)，dense 路径通过 pack()+optimize() 正确使用，但 pack_moe 与 pack_moe_stacked 重新计算为 lora_alpha/rank，导致 r=16、lora_alpha=32 时正确因子 8 被应用成 2，适配器 delta 静默弱化 sqrt(r) 倍。

实现拆解

1. 修改 pack_moe（vllm/lora/lora_weights.py）：将 scaling = lora_alpha / rank 替换为使用该组专家中第一个（代表性）LoRA 上已存储的 first_lora.scaling；保留 is_non_gated_moe 分支中 last_scaling = 1.0 的逻辑，防止 w3 复用 w1 权重时二次缩放。
2. 修改 pack_moe_stacked：同样将重算替换为 w1_lora.scaling，w1/w2/w3 统一使用存储因子。
3. 新增 tests/lora/test_lora_weights.py：参数化覆盖 pack_moe 与 pack_moe_stacked，断言打包后 scaling 仍为 alpha/sqrt(r)；另测非 gated MoE 时 w3 scaling 为 1.0。autouse fixture should_do_global_cleanup_after_test 返回 False，跳过 GPU/ray 清理，保持纯 CPU 单元测试。
4. 无配置/schema/部署改动；CI 由 jeejeelee 触发两次（Buildkite #87945、#88233）。

关键文件：

• vllm/lora/lora_weights.py（模块 LoRA 权重；类别 source；类型 core-logic；符号 pack_moe, pack_moe_stacked）: 核心修复所在：两条 MoE 打包路径的缩放因子来源从重算改为使用已存储值，直接决定 rsLoRA 适配器在 MoE 上的数值正确性。
• tests/lora/test_lora_weights.py（模块 LoRA 测试；类别 test；类型 test-coverage；符号 should_do_global_cleanup_after_test, moe_loras, test_moe_packing_uses_stored_scaling, test_non_gated_moe_keeps_w3_unscaled）: 新增回归测试，覆盖两条打包路径的 rsLoRA 缩放保留和非 gated MoE 的 w3 特例，是修复正确性的关键验证。

关键符号：pack_moe, pack_moe_stacked, test_moe_packing_uses_stored_scaling, test_non_gated_moe_keeps_w3_unscaled

关键源码片段

vllm/lora/lora_weights.py

核心修复所在：两条 MoE 打包路径的缩放因子来源从重算改为使用已存储值，直接决定 rsLoRA 适配器在 MoE 上的数值正确性。

# vllm/lora/lora_weights.py（head 版本，pack_moe_stacked 完整实现）
@classmethod
def pack_moe_stacked(
    cls,
    loras: GenericSequence["LoRALayerWeights | None"],
    module_name: str,
) -> "PackedLoRALayerWeights":
    """打包预堆叠（3D）的 w1/w2/w3 专家 LoRA，供 FusedMoEWithLoRA 使用。"""
    assert len(loras) == 3, (
        "shared-outer expert LoRA expects exactly w1/w2/w3 stacked tensors"
    )
    w1_lora, w2_lora, w3_lora = loras
    assert w1_lora is not None and w2_lora is not None and w3_lora is not None
    rank = w1_lora.rank
    lora_alpha = w1_lora.lora_alpha
    # 关键修复：直接使用 LoRALayerWeights 上已存储的 per-adapter scaling。
    # 该因子由 PEFTHelper 按 use_rslora 预先算好（lora_alpha / sqrt(r)），
    # 此处不能再以 lora_alpha / rank 重算，否则 rsLoRA 语义会被静默丢弃。
    scaling = w1_lora.scaling
    return cls(
        module_name,
        rank,
        [lora_alpha, lora_alpha, lora_alpha],
        [w1_lora.lora_a, w2_lora.lora_a, w3_lora.lora_a],
        [w1_lora.lora_b, w2_lora.lora_b, w3_lora.lora_b],
        scaling=[scaling, scaling, scaling],
    )

tests/lora/test_lora_weights.py

新增回归测试，覆盖两条打包路径的 rsLoRA 缩放保留和非 gated MoE 的 w3 特例，是修复正确性的关键验证。

# tests/lora/test_lora_weights.py（新增，核心回归测试）
RANK, ALPHA = 16, 32
# PEFTHelper 对 use_rslora 适配器存储 alpha / sqrt(r)
RSLORA_SCALING = ALPHA / RANK**0.5
​
def moe_loras(scaling, stacked=False):
    # 构造 3 个专家 LoRA，支持 2D（逐专家）或 3D（预堆叠）形态
    a_shape = (3, RANK, 4) if stacked else (RANK, 4)
    b_shape = (3, 6, RANK) if stacked else (6, RANK)
    return [
        LoRALayerWeights(
            module_name=f"experts.w{i}",
            rank=RANK,
            lora_alpha=ALPHA,
            lora_a=torch.randn(*a_shape),
            lora_b=torch.randn(*b_shape),
            scaling=scaling,
        )
        for i in (1, 2, 3)
    ]
​
@pytest.mark.parametrize(
    "packer,stacked",
    [
        (PackedLoRALayerWeights.pack_moe, False),
        (PackedLoRALayerWeights.pack_moe_stacked, True),
    ],
)
def test_moe_packing_uses_stored_scaling(packer, stacked):
    # 打包后 scaling 必须保留 rsLoRA 因子，而不是退化为 alpha / rank
    packed = packer(moe_loras(RSLORA_SCALING, stacked), "experts")
    assert packed.scaling == pytest.approx([RSLORA_SCALING] * 3)
​
def test_non_gated_moe_keeps_w3_unscaled():
    # 非 gated MoE 将 w1 权重复用为 w3，w3 缩放必须为 1.0，避免双重缩放
    packed = PackedLoRALayerWeights.pack_moe(
        moe_loras(RSLORA_SCALING), "experts", is_non_gated_moe=True
    )
    assert packed.scaling[:2] == pytest.approx([RSLORA_SCALING] * 2)
    assert packed.scaling[2] == 1.0

评论区精华

核心讨论只有一条：评审者 jeejeelee 在新增测试文件第 1 行评论“Can we simplify this script?”，作者 kushaldabbe 响应并简化：将两条打包路径合并为单一参数化测试，并删除了普通 scaling 参数化——因为非 rsLoRA 时存储因子与重算因子恒等，无回归信号。最终 jeejeelee 两次触发 CI，linitra24 与 jeejeelee 均批准，无未解决疑虑。

• 简化测试脚本 (testing): 测试脚本按建议简化，保留 rsLoRA 回归用例与非 gated MoE 的 w3 特例。

风险与影响

• 风险：数值风险：修复会改变 rsLoRA+MoE 用户得到的前向输出量级，但属于纠正静默错误；普通 LoRA 的存储因子与 alpha/rank 相等，行为不变。pack_moe 中 first_lora.scaling 的选取逻辑未在 patch 中完整展示，混合有/无 LoRA 专家的场景下需确认取到的是正确 expert 组的因子，现有断言（w1_lora is not None 等）提供基本保护。测试仅 CPU 单元级，未覆盖端到端模型推理和混合专家缺失 LoRA 的边界。无性能、安全、兼容性影响。
• 影响：影响用户：使用 rsLoRA 训练的 LoRA 适配器且目标为 MoE 专家模块（如 Mixtral 等）的用户，修复后适配器强度恢复正确，生成质量会发生变化（变强 sqrt(r) 倍），这是预期修正。系统影响极小：源码仅 7 行变更，无 API/配置变化。团队影响：LoRA 模块维护者需合入，CI 已跑通。
• 风险标记：核心数值修复, 单元测试仅 CPU, first_lora 取值需确认

关联脉络

• 暂无明显关联 PR