执行摘要

• 一句话：MRv2 接入 KV-sharing fast prefill 并解除 V2 门禁
• 推荐动作：建议精读，重点看三处：一是 vllm/v1/worker/gpu/attn_utils.py 中 FastPrefillHelper.prepare 的三条门控（not has_prefill / CUDAGraphMode.FULL / num_ubatches > 1）与 buf[num_logits:] = logits_indices[-1] 的填充手法——这是「缩减 batch 复用到已捕获 cudagraph」的通用范式，可迁移到其他需要动态缩小 batch 的优化上；二是 get_kv_sharing_fast_prefill_eligible_layers 的「反向扫描取连续后缀 + 跳过但不打断 draft 层」写法，它把「层注册顺序即执行顺序」这一隐式约定显式化为可测试逻辑；三是 make_kv_sharing_fast_prefill_common_attn_metadata 从 assert 改为回退，理解 V2 dummy batch（cudagraph 捕获）为什么必须走完整 batch。评审角度建议关注：新增的静默降级分支是否需要日志/告警，num_logits_indices 裁剪契约是否需要断言或文档化，以及为 prepare 的门控与 PCP 分支补单测。

功能与动机

kv_sharing_fast_prefill 是针对 YOCO / Gemma3n 这类 KV-sharing 模型的 prefill 优化：只有真正产生 KV cache 的尾部层需要参与 prefill，其余共享 KV 的层只需处理 logits 位置，从而提前退出、节省长 prompt 的 prefill 计算；而它此前在 V2 model runner 上被显式禁用——vllm/config/vllm.py 的 _get_v2_model_runner_unsupported_features() 直接把 "KV sharing fast prefill" 加入 unsupported 列表，注释写着 "Will be added by https://github.com/vllm-project/vllm/pull/35045"，CacheConfig.kv_sharing_fast_prefill 的 docstring 也标注 "KV cache sharing is not supported for MRv2 (v2 model runner)"。本 PR 正是兑现该承诺：复用 V1 已有的 create_fast_prefill_custom_backend / make_kv_sharing_fast_prefill_common_attn_metadata 机制，把它接进 V2 的 ModelRunner.prepare_inputs 与 build_attn_metadata，属于 MRv2 特性对齐（feature parity）工作的一环。PR body 为空，动机主要来自代码注释与配置门禁的移除。

实现拆解

1. 解除 V2 能力门禁：vllm/config/vllm.py 删除 _get_v2_model_runner_unsupported_features() 中 "KV sharing fast prefill" 的 unsupported 条目（连同指向 PR#35045 的待办注释）；vllm/config/cache.py 删除 kv_sharing_fast_prefill docstring 里 "KV cache sharing is not supported for MRv2 (v2 model runner)" 的 NOTE。这两处是 V2 对该特性的「能力声明」，删掉后配置不再被拒绝，后续执行正确性完全依赖运行期实现。

2. 初始化期识别合格层并改写注意力后端：vllm/v1/worker/gpu/attn_utils.py 新增 get_kv_sharing_fast_prefill_eligible_layers(vllm_config, draft_layer_names)，利用「层按执行顺序注册」的约定，从末尾反向扫描 Attention 层，取 KV-sharing 层的连续后缀；扫描时遇到 draft 层只跳过、不打断（草稿层注册在目标模型之后，既不计入也不能截断目标的尾部区间）。init_attn_backend 新增 draft_layer_names 参数，对合格层调用 create_fast_prefill_custom_backend("FastPrefill", attn_backend) 包装，使该层的 metadata builder 会把完整 batch 改写成 logits-only batch——这是复用 V1 机制、而非重写 V2 专属路径的关键设计。

3. 逐步决策与元数据准备：新增 FastPrefillBatchMetadata（logits_indices_padded / num_logits_indices / max_logits_per_req）与 FastPrefillHelper（预分配 logits_indices_buf、prepare() 门控、cudagraph_manager.dispatch() 取 piecewise cudagraph 尺寸、buf[num_logits:] 用最后一个有效索引广播填充以避免残留脏值）。model_runner.py 在 initialize_kv_cache() 中按 self.cache_config.kv_sharing_fast_prefill and self.pcp_manager is None 构造 helper，在 prepare_inputs() 中调用 prepare(logits_indices, num_reqs, cu_num_logits_np, batch_req_state.has_prefill, batch_desc)，并在 shutdown() 中置空释放；顺带把 initialize_mamba_ssu_backend 的 use_replayssm 从 self.vllm_config.cache_config 改为 self.cache_config。

4. 元数据透传链路与运行期回退：vllm/v1/worker/gpu/input_batch.py 给 InputBatch 新增 fast_prefill 字段（dummy batch 保持 None，即捕获阶段按完整 batch 跑）；model_states/default.py 的 prepare_attn 把 input_batch.fast_prefill 透传给 build_attn_metadata；attn_utils.build_attn_metadata 新增 fast_prefill 参数，把三个字段写入 common_attn_metadata_extra_kwargs；ubatch_utils._slice_input_batch 显式置 fast_prefill=None 保证 ubatch 切片不回落到错误语义。最关键的是 vllm/v1/attention/backends/utils.py：make_kv_sharing_fast_prefill_common_attn_metadata 原来对 logits_indices_padded / num_logits_indices 直接 assert，现改为 None 时原样返回（覆盖 cudagraph 捕获、纯 decode 等「本步未启用」场景），否则 V2 的 dummy batch 会直接打断捕获流程。

5. 测试与 CI 配套：tests/v1/worker/test_attn_utils.py 新增 test_get_kv_sharing_fast_prefill_eligible_layers，用 monkeypatch 伪造 get_layers_from_vllm_config / get_shared_kv_cache_layers，覆盖无共享、YOCO 式尾部连续区间、区间被非共享层打断、draft 层收录与排除、开关关闭 5 类情形；tests/v1/e2e/general/test_kv_sharing_fast_prefill.py 新增 use_v2_model_runner 维度（(False,False) / (True,False) / (True,True)，有意省略 (False,True) 以省去约 9 分钟 torch.compile 时间），并新增 assert llm.llm_engine.vllm_config.use_v2_model_runner == use_v2_model_runner 防止静默回退到 V1；tests/v1/worker/test_gpu_model_runner_v2.py（+1/-1）与 .buildkite/test_areas/engine.yaml（+1/-1）做了小幅同步，材料未给出具体内容。

关键文件：

• vllm/v1/worker/gpu/attn_utils.py（模块 注意力元数据；类别 source；类型 core-logic；符号 FastPrefillBatchMetadata, FastPrefillHelper, init, prepare）: 核心实现文件：新增 FastPrefillBatchMetadata、FastPrefillHelper（prepare 门控 + cudagraph 补齐 + 共享 buffer），新增 get_kv_sharing_fast_prefill_eligible_layers，init_attn_backend 接收 draft_layer_names 并对合格层套 create_fast_prefill_custom_backend，build_attn_metadata 新增 fast_prefill 参数注入 metadata kwargs。
• vllm/v1/worker/gpu/model_runner.py（模块 模型运行器；类别 source；类型 data-contract；符号 prepare_inputs, initialize_kv_cache, shutdown）: 把 helper 接入 V2 主循环：initialize_kv_cache 中按开关与 PCP 条件构造 FastPrefillHelper，prepare_inputs 中调用 prepare 并写入 InputBatch，shutdown 中释放；同时把 draft_attn_layer_names 传给 init_attn_backend，并顺带把 use_replayssm 改为读 self.cache_config。
• vllm/v1/attention/backends/utils.py（模块 注意力后端；类别 source；类型 core-logic；符号 make_kv_sharing_fast_prefill_common_attn_metadata）: 把 make_kv_sharing_fast_prefill_common_attn_metadata 里对 logits_indices_padded / num_logits_indices 的两条 assert 改成 None 检查后原样返回，为 cudagraph 捕获（dummy batch）与未启用 fast prefill 的步骤提供回退，是整个改动能安全落地到 V2 的前提。
• vllm/config/vllm.py（模块 运行器能力；类别 source；类型 configuration；符号 _get_v2_model_runner_unsupported_features）: 删除 _get_v2_model_runner_unsupported_features() 中 "KV sharing fast prefill" 的 unsupported 条目（含指向 PR#35045 的待办注释），使 V2 配置不再被拒绝，是本次能力解锁的入口。
• tests/v1/e2e/general/test_kv_sharing_fast_prefill.py（模块 端到端测试；类别 test；类型 test-coverage；符号 test_kv_sharing_fast_prefill）: e2e 用例新增 use_v2_model_runner 维度并新增 assert llm.llm_engine.vllm_config.use_v2_model_runner == use_v2_model_runner，显式防止静默回退；同时有意省略 (False, True) 组合以节省约 9 分钟 CI 时间。
• tests/v1/worker/test_attn_utils.py（模块 单元测试；类别 test；类型 test-coverage；符号 test_get_kv_sharing_fast_prefill_eligible_layers, check）: 新增 test_get_kv_sharing_fast_prefill_eligible_layers，用 monkeypatch 覆盖无共享、YOCO 尾部区间、区间被打断、draft 层收录/排除、开关关闭 5 类场景，是合格层识别逻辑的唯一直接测试。
• vllm/v1/worker/gpu/input_batch.py（模块 输入批次；类别 source；类型 dependency-wiring；符号 InputBatch.fast_prefill）: InputBatch 新增 fast_prefill: FastPrefillBatchMetadata | None = None 字段，注释明确 dummy（cudagraph 捕获）batch 保持 None 即按完整 batch 执行，是元数据在 runner 与模型状态之间的载体。
• vllm/config/cache.py（模块 缓存配置；类别 source；类型 documentation；符号 CacheConfig.kv_sharing_fast_prefill）: 删除 kv_sharing_fast_prefill docstring 中 "KV cache sharing is not supported for MRv2 (v2 model runner)" 的说明，使文档与新的能力声明一致。
• vllm/v1/worker/gpu/model_states/default.py（模块 模型状态；类别 source；类型 data-contract；符号 prepare_attn）: prepare_attn 把 input_batch.fast_prefill 透传给 build_attn_metadata，是元数据从 batch 进入注意力构建的最后一段接线。
• vllm/v1/worker/gpu/ubatch_utils.py（模块 微批切片；类别 source；类型 core-logic；符号 _slice_input_batch）: _slice_input_batch 显式设置 fast_prefill=None，确保 ubatch 切片不会继承不匹配的 fast-prefill 元数据（多 ubatch 场景在 prepare 中本就返回 None）。
• .buildkite/test_areas/engine.yaml（模块 测试编排；类别 config；类型 configuration）: CI 测试编排小幅调整（+1/-1），与新 e2e 参数化用例保持一致；材料未给出具体内容。
• tests/v1/worker/test_gpu_model_runner_v2.py（模块 运行器测试；类别 test；类型 test-coverage）: V2 model runner 单测小幅同步（+1/-1），推测与 unsupported 特性列表/配置断言变化有关；材料未给出具体内容。

关键符号：FastPrefillHelper.init, FastPrefillHelper.prepare, get_kv_sharing_fast_prefill_eligible_layers, init_attn_backend, build_attn_metadata, make_kv_sharing_fast_prefill_common_attn_metadata, ModelRunner.initialize_kv_cache, ModelRunner.prepare_inputs, ModelRunner.shutdown, prepare_attn, _slice_input_batch, test_get_kv_sharing_fast_prefill_eligible_layers, test_kv_sharing_fast_prefill

关键源码片段

vllm/v1/worker/gpu/attn_utils.py

核心实现文件：新增 FastPrefillBatchMetadata、FastPrefillHelper（prepare 门控 + cudagraph 补齐 + 共享 buffer），新增 get_kv_sharing_fast_prefill_eligible_layers，init_attn_backend 接收 draft_layer_names 并对合格层套 create_fast_prefill_custom_backend，build_attn_metadata 新增 fast_prefill 参数注入 metadata kwargs。

@dataclass(frozen=True)
class FastPrefillBatchMetadata:
    """KV-sharing fast prefill 路径的每步输入。"""
​
    logits_indices_padded: torch.Tensor # 已按 cudagraph 尺寸补齐的 logits 索引
    num_logits_indices: int # 真实（未补齐）的 logits 数量
    max_logits_per_req: int # 单请求最大 logits 数，host 侧已知
​
​
class FastPrefillHelper:
    """逐 step 决定是否启用 KV-sharing fast prefill，并准备好所需的 logits 索引。"""
​
    def __init__(self, cudagraph_manager: "CudaGraphManager", max_num_tokens: int):
        self.max_num_tokens = max_num_tokens
        self.cudagraph_manager = cudagraph_manager
        # 复用一块预分配的 GPU buffer，避免每步分配；写入不足时剩余槽位仍需保持有效
        self.logits_indices_buf = torch.zeros(
            max_num_tokens, dtype=torch.int32, device=cudagraph_manager.device
        )
​
    def prepare(
        self,
        logits_indices: torch.Tensor,
        num_reqs: int,
        cu_num_logits_np: np.ndarray,
        has_prefill: bool,
        batch_desc: "BatchExecutionDescriptor",
    ) -> FastPrefillBatchMetadata | None:
        # 三类情况直接放弃本步：纯 decode（无 prefill）、FULL cudagraph（整图无法承载
        # 缩减后的 batch）、ubatching 多 ubatch（每个 ubatch 需要各自独立的 metadata）
        if (
            not has_prefill
            or batch_desc.cg_mode == CUDAGraphMode.FULL
            or batch_desc.num_ubatches > 1
        ):
            return None
        buf = self.logits_indices_buf
        num_logits = logits_indices.shape[0]
        assert num_logits > 0
        buf[:num_logits].copy_(logits_indices)
        # buf[num_logits:] 可能还残留上一步的索引，用最后一个有效索引在 GPU 侧广播填充，
        # 保证补齐区间不会指向非法请求（这些多余 logits 由 num_logits_indices 裁剪丢弃）
        buf[num_logits:] = logits_indices[-1]
        # 让 KV-sharing 层以「仅 logits」的缩减 batch 命中已捕获的 piecewise cudagraph 尺寸；
        # 捕获前或关闭 cudagraph 时，dispatch 会返回未补齐的数量
        desc = self.cudagraph_manager.dispatch(
            num_reqs=num_reqs,
            num_tokens=num_logits,
            uniform_token_count=None,
            num_active_loras=0,
        )
        num_logits_padded = min(desc.num_tokens, self.max_num_tokens)
        return FastPrefillBatchMetadata(
            logits_indices_padded=buf[:num_logits_padded],
            num_logits_indices=num_logits,
            # 单请求最大 logits 数，直接在 host 侧从 cu_num_logits 推出
            max_logits_per_req=int(np.diff(cu_num_logits_np).max()),
        )
​
def get_kv_sharing_fast_prefill_eligible_layers(
    vllm_config: VllmConfig, draft_layer_names: set[str] | None = None
) -> set[str]:
    """KV-sharing 层中位于末尾的连续区间才有资格走 fast prefill。
​
    在 You Only Cache Once（https://arxiv.org/abs/2405.05254）等 KV sharing 结构中，
    只有真正产生 KV cache 的尾部层参与 prefill，从而可以提前退出。层按执行顺序注册，
    因此合格层就是 KV-sharing 层的连续后缀；草稿层注册在目标模型之后，需要显式排除。
    """
    if not vllm_config.cache_config.kv_sharing_fast_prefill:
        return set()
    shared_kv_cache_layers = get_shared_kv_cache_layers(vllm_config)
    if not shared_kv_cache_layers:
        return set()
    eligible_layers: set[str] = set()
    attn_layers = get_layers_from_vllm_config(vllm_config, Attention)
    for layer_name in reversed(attn_layers):
        # 草稿层「跳过但不打断」：既不计入合格集合，也不会截断目标模型的尾部区间
        if draft_layer_names is not None and layer_name in draft_layer_names:
            continue
        if layer_name not in shared_kv_cache_layers:
            break # 遇到非 sharing 层，连续后缀到此结束
        eligible_layers.add(layer_name)
    return eligible_layers

        # init_attn_backend()：对合格层换上 FastPrefill 包装后端，其 metadata builder
        # 会把完整 batch 改写成 logits-only batch（复用 V1 的 create_fast_prefill_custom_backend）
        for layer_name in layer_names:
            attn_backend = attn_layers[layer_name].get_attn_backend()
            if layer_name in fast_prefill_eligible_layers:
                attn_backend = create_fast_prefill_custom_backend(
                    "FastPrefill", attn_backend
                )

vllm/v1/worker/gpu/model_runner.py

把 helper 接入 V2 主循环：initialize_kv_cache 中按开关与 PCP 条件构造 FastPrefillHelper，prepare_inputs 中调用 prepare 并写入 InputBatch，shutdown 中释放；同时把 draft_attn_layer_names 传给 init_attn_backend，并顺带把 use_replayssm 改为读 self.cache_config。

        # initialize_kv_cache()：仅在开启 KV-sharing fast prefill 且没有 PCP 时创建 helper。
        # PCP（prefill context parallel）当前不走这条路径，因此直接不启用而不是报错
        if self.cache_config.kv_sharing_fast_prefill and self.pcp_manager is None:
            self.fast_prefill = FastPrefillHelper(
                self.cudagraph_manager, self.max_num_tokens
            )
​
        # 把 speculator 的草稿注意力层名交给 init_attn_backend，
        # 用于在 get_kv_sharing_fast_prefill_eligible_layers 中被排除，避免草稿层混进合格后缀
        draft_attn_layer_names = None
        if isinstance(self.speculator, DraftModelSpeculator):
            draft_attn_layer_names = self.speculator.draft_attn_layer_names
        self.attn_groups, attn_cg_support, self.kernel_block_sizes = init_attn_backend(
            self.kv_cache_config,
            self.vllm_config,
            self.device,
            draft_layer_names=draft_attn_layer_names,
        )
​
        # prepare_inputs()：logits_indices 与 batch_desc 就绪后逐 step 决策，
        # 结果经 InputBatch.fast_prefill 一路透传到 attention metadata 构建
        fast_prefill = None
        if self.fast_prefill is not None:
            fast_prefill = self.fast_prefill.prepare(
                logits_indices,
                num_reqs,
                cu_num_logits_np,
                batch_req_state.has_prefill,
                batch_desc,
            )

vllm/v1/attention/backends/utils.py

把 make_kv_sharing_fast_prefill_common_attn_metadata 里对 logits_indices_padded / num_logits_indices 的两条 assert 改成 None 检查后原样返回，为 cudagraph 捕获（dummy batch）与未启用 fast prefill 的步骤提供回退，是整个改动能安全落地到 V2 的前提。

def make_kv_sharing_fast_prefill_common_attn_metadata(
    common_attn_metadata: CommonAttentionMetadata,
) -> CommonAttentionMetadata:
    if common_attn_metadata.max_query_len == 1:
        # 全部请求都是 decode（按 1 个 token 处理），无需走 fast prefill 路径
        return common_attn_metadata
​
    if (
        common_attn_metadata.logits_indices_padded is None
        or common_attn_metadata.num_logits_indices is None
    ):
        # 本步未启用 fast prefill（例如 cudagraph 捕获阶段，或纯 decode 步骤）：
        # KV-sharing 层按完整 batch 执行，直接返回未修改的 metadata。
        # 这里原来是两条 assert，V2 的 dummy batch 会命中该分支，因此必须优雅回退。
        return common_attn_metadata
​
    logits_indices_padded = common_attn_metadata.logits_indices_padded
    num_logits_indices = common_attn_metadata.num_logits_indices
    # 去掉 cudagraph 补齐部分，只保留真实索引
    logits_indices = logits_indices_padded[:num_logits_indices]

评论区精华

本 PR 的评审讨论非常薄，几乎没有实质技术交锋，可作为「维护者自研 + 直接合并」型改动的样本：

claude[bot]（COMMENTED）：「This pull request is from a fork — automated review is disabled. A repository maintainer can comment @claude review to run a one-time review.」

自动 review 因来自 fork 被跳过，且没有人手动触发 @claude review；review_comments_count 为 0，说明没有任何行内讨论。

WoosukKwon（APPROVED）：「Thanks!」

唯一的人工评审是维护者 WoosukKwon 的一句致谢式批准，未对 FastPrefillHelper.prepare 的门控条件（FULL cudagraph / 多 ubatch / 无 prefill）、PCP 下不创建 helper、以及把 assert 降级为运行时回退这些设计选择提出异议。

njhill（issue 评论）：「/ci run」× 2 → Buildkite CI #87996（commit 9b093b66af0e）与 #88010（commit 8e00cb479621）

两次触发对应的 commit 不同，说明 head 至少被重推/amend 过一次后才重新验证；最终以单 commit 8e00cb479621 合并。

• fork PR 的自动 review 被跳过，缺少实质性代码讨论 (other): 自动评审未执行，人工评审也未展开细节，最终由维护者一句致谢批准合并。
• 维护者以「Thanks!」直接批准，未质疑门控与回退设计 (design): 设计决策完全由作者自定并随代码注释表达，评审侧没有形成交锋或额外约束。
• CI 两轮重跑，head commit 被重推 (testing): 最终以单 commit 8e00cb479621 通过 CI 并合并；仓库侧只记录到 CI 触发记录，没有失败详情。

风险与影响

• 风险：
  1. 静默降级路径较多，正确性依赖回退语义：FastPrefillHelper.prepare 在「纯 decode」「FULL cudagraph」「多 ubatch」三种情况下返回 None，PCP 下更是根本不构造 helper，ubatch_utils._slice_input_batch 也硬编码 fast_prefill=None。这些分支都不会报错或告警，用户会以为开启了 fast prefill 但实际按完整 batch 执行；且 vllm/v1/attention/backends/utils.py 中原有的两条 assert 被替换为原样返回，若未来有新的调用方依赖「必须带 fast-prefill 元数据」的隐含契约，会从「立即失败」变成「静默跑错语义」。
  2. cudagraph 尺寸耦合：prepare() 内直接调用 self.cudagraph_manager.dispatch(num_reqs=num_reqs, num_tokens=num_logits, ...)，用返回的 desc.num_tokens 反推补齐长度，再用 min(desc.num_tokens, self.max_num_tokens) 截断。运行时 dispatch 结果与捕获时注册的 piecewise 尺寸必须严格一致，否则要么捕获不到对应尺寸、要么补齐后仍走不进已捕获的图；这层不变式没有专门测试守护。
  3. 共享 buffer 的填充语义：buf[:num_logits].copy_(logits_indices) 之后把 buf[num_logits:] 全量写成 logits_indices[-1]，这些「伪索引」在补齐区间会产出被丢弃的 logits。任何绕过 num_logits_indices 裁剪的下游消费（例如未来新增的 logits 收集路径）都会读到重复请求的 logits，属于隐藏的隐式契约。
  4. max_logits_per_req 依赖 host 侧数组：int(np.diff(cu_num_logits_np).max()) 直接消费 cu_num_logits_np，若该数组在某条新路径上与 GPU 侧 cu_num_logits 不同步，会传入错误的 per-request 上界；同函数内 assert num_logits > 0 在「有 prefill 但 logits 为空」的边界（如纯 logprobs 场景）可能触发断言。
  5. 测试覆盖不均匀：单测只覆盖了 get_kv_sharing_fast_prefill_eligible_layers 的层选择逻辑，e2e 用例只验证端到端答案与「未静默回退」，FastPrefillHelper.prepare 的三条门控分支、PCP 不创建 helper 的分支均无直接测试；tests/v1/worker/test_gpu_model_runner_v2.py 与 .buildkite/test_areas/engine.yaml 的小改动材料未展开，无法确认是否覆盖了新行为。
  6. 门禁移除后组合矩阵扩大：V2 不再拒绝 kv_sharing_fast_prefill，该开关与 DBO/ubatching、PCP、FULL cudagraph、speculative decoding 的组合都会进入实际执行路径，其中多数组合只能靠上面的静默降级兜底，缺少显式的不支持提示。
     - 影响：用户侧：使用 Gemma3n / YOCO 类 KV-sharing 模型并已切到 V2 model runner 的用户，现在可以真正开启 kv_sharing_fast_prefill，长 prompt prefill 只需在尾部 KV 生成层上计算，预期显著降低 prefill 计算量与 TTFT；此前该开关在 V2 上会被配置校验直接拒绝，属于从「不可用」到「可用」的能力补齐。系统侧：改动落在 V2 核心热路径 ModelRunner.prepare_inputs → build_attn_metadata → 自定义 backend 的 metadata builder，但主链路只增加一次 prepare() 调用与一次 cudagraph_manager.dispatch()（均为轻量 host 操作），对不开该特性的用户基本零影响；不支持的组合（FULL cudagraph、多 ubatch、PCP）行为保持原有语义不变。团队侧：这次合并清掉了 MRv2 特性清单上的一条明确待办（代码注释里的 PR#35045），也说明 MRv2 正在从「新 runner 只能跑子集特性」转向「逐步对齐 V1 全部优化」，后续同源开关（如 mamba cache mode、logits processors）的迁移可复用这次「包装 V1 后端 + V2 侧准备元数据 + 运行期优雅回退」的模式。
     - 风险标记：核心推理路径变更, 静默降级无告警, cudagraph 尺寸耦合, prepare 门控缺少单测, 配置门禁移除后组合面扩大

关联脉络

• PR #55819 [Perf] Use UVA-backed contents for MRV2 apply_write: 同属 MRv2（v2 model runner）优化线，改动同样落在 vllm/v1/worker/gpu/ 下的 buffer/热路径代码，说明 V2 runner 正在持续补齐性能与特性能力，本 PR 可视为该脉络上的能力对齐一环。
• PR #54713 [BugFix] Retain both replay boundaries so an EAGLE resend of a block-aligned prompt still hits: 同样涉及 v1 侧 KV 复用的正确性边界（KV cache 命中/replay 边界），与本 PR 依赖的 KV-sharing 语义、logits 索引与 attention metadata 裁剪契约处在相邻的正确性面上，可对照理解缓存复用类改动的回归风险。
• PR #55531 [KV Connector] Support symmetric DCP disagg for hybrid mamba models: 该 PR 与并行拓扑（DCP/PCP）下的 KV cache 组和 attention metadata 构建强相关；本 PR 在 init_attn_backend/model runner 初始化阶段同样以并行配置（pcp_manager is None）作为 fast prefill 的启用条件，属于同一类「并行拓扑 × KV 特性」的交叉领域。