执行摘要

• 一句话：修复 DeepSeek V4.1 拒绝 Responses API 文本类型，白名单扩充加回归测试
• 推荐动作：值得快速浏览，作为“一行修复 + 精准测试”的范本：它展示了在自定义 tokenizer 内做 content type 归一化时容易遗漏协议差异（Chat API 的 text vs Responses API 的 input_text/output_text）的教训。建议关注两点：一是 _normalize_messages() 这类协议适配层应尽量与通用 content 归一化逻辑复用，二是可将“协议类型别名”收敛到共享常量以降低未来遗漏风险。

功能与动机

issue #56297 给出了可复现的复现步骤：POST /v1/responses 携带 {"type": "input_text", "text": "Reply with OK."} 时返回 HTTP 400，错误信息为 DeepSeek V4.1 supports text and image content only; got 'input_text'。根因是 DeepSeek V4.1 渲染器会将原始 messages 直接传给 vllm/tokenizers/deepseek_v41.py 的 _normalize_messages()，绕过通用内容归一化；而该函数只识别 Chat API 的 text 类型，不识别 OpenAI Responses API 的 input_text/output_text。Issue 还明确指出当前 main 分支同样受影响。

实现拆解

该修复通过以下步骤完成：

1. 定位问题入口：vllm/tokenizers/deepseek_v41.py 中的 _normalize_messages() 是 DeepSeek V4.1 自定义分词器唯一的内容块过滤入口，apply_chat_template() 在编码前会先调用它把结构化 content 拍平成字符串。
2. 根因确认：函数内 part_type == "text" 的单值判断排除了 Responses API 使用的 input_text（用户输入）与 output_text（助手输出）两种内容块类型，导致落入 else 分支抛出 ValueError。
3. 一行修复：将条件改为 part_type in ("text", "input_text", "output_text")，三个类型统一按文本追加，block.get("text", "") 保留原有容错逻辑；图片分支（image_url/input_image/image_pil）原样保留，不参与本次改动。
4. 测试配套：在 tests/tokenizers_/test_deepseek_v41.py 新增参数化测试 test_responses_text_parts_match_chat_text_parts，覆盖 (user, input_text) 与 (assistant, output_text) 两组角色/类型组合，断言与 text 类型的渲染输出逐字节一致；本地 32 个测试全部通过，pre-commit 检查通过。
5. CI 与合入流程：期间共触发 4 次 Buildkite CI（#88490、#88512、#88587、#88624），mergify 提示首轮 pre-commit 失败后作者修复并重新推送，最终由维护者 chaunceyjiang 批准合并。

关键文件：

• vllm/tokenizers/deepseek_v41.py（模块 分词器；类别 source；类型 core-logic；符号 _normalize_messages）: 修复的核心文件：_normalize_messages() 中 content 类型白名单从 text 扩展为 text/input_text/output_text，是本次 bug 的直接根因与修复点。
• tests/tokenizers_/test_deepseek_v41.py（模块 回归测试；类别 test；类型 test-coverage；符号 test_responses_text_parts_match_chat_text_parts）: 新增参数化回归测试，覆盖 user/input_text 与 assistant/output_text 两个组合，保证协议适配的修复被持续验证。

关键符号：_normalize_messages, test_responses_text_parts_match_chat_text_parts

关键源码片段

vllm/tokenizers/deepseek_v41.py

修复的核心文件：_normalize_messages() 中 content 类型白名单从 text 扩展为 text/input_text/output_text，是本次 bug 的直接根因与修复点。

def _normalize_messages(
    messages: list[ChatCompletionMessageParam],
) -> list[dict[str, Any]]:
    result = [dict(message) for message in copy.deepcopy(messages)]
    for message in result:
        role = message.get("role")
        if role not in ("system", "developer", "user", "assistant", "tool"):
            raise ValueError(f"Invalid role: {role}")
        if "reasoning" in message:
            message["reasoning_content"] = message["reasoning"]
        content = message.get("content")
        if isinstance(content, list):
            parts = []
            for block in content:
                part_type = block.get("type")
                # Responses API 使用 input_text / output_text，Chat API 使用 text，
                # 三者在此统一按文本追加，并保留块间分隔符 "
​
"，保证渲染结果一致
                if part_type in ("text", "input_text", "output_text"):
                    parts.append(block.get("text", ""))
                # 图片类占位符路径不参与本次修复，维持原行为
                elif part_type in ("image_url", "input_image", "image_pil"):
                    parts.append(IMAGE_PLACEHOLDER)
                else:
                    raise ValueError(
                        "DeepSeek V4.1 supports text and image content only; "
                        f"got {part_type!r}"
                    )
            message["content"] = "
​
".join(parts)
    return result

tests/tokenizers_/test_deepseek_v41.py

新增参数化回归测试，覆盖 user/input_text 与 assistant/output_text 两个组合，保证协议适配的修复被持续验证。

@pytest.mark.parametrize(
    ("role", "responses_type"),
    [("user", "input_text"), ("assistant", "output_text")],
)
def test_responses_text_parts_match_chat_text_parts(role, responses_type):
    # 构造等价的 Responses 消息与 Chat 消息，仅 content 类型字段不同
    responses_message = {
        "role": role,
        "content": [{"type": responses_type, "text": "hello"}],
    }
    chat_message = {
        "role": role,
        "content": [{"type": "text", "text": "hello"}],
    }
    # 关键断言：responses 的 input_text / output_text 必须与 plain text 渲染结果一致
    assert render([responses_message], thinking=False) == render(
        [chat_message], thinking=False
    )

评论区精华

该 PR 没有实质性的技术争论，评论区主要由自动化工具构成：

• Claude Code 指出该 PR 来自 fork，自动评审被禁用，需要维护者评论 @claude review 才能触发一次性审查。
• mergify[bot] 提示 pre-commit 检查失败，要求作者重新运行并提交修复。
• chaunceyjiang 多次触发 CI（/ci run）并最终批准合并，仅回复“Thanks～”，没有留下额外技术意见。

整体属于典型的“小改动、无争议”合入流程。

• fork 仓库的自动评审限制 (other): 仓库对 fork PR 不运行自动 AI 评审，依靠人工维护者把关；本 PR 最终由 chaunceyjiang 人工批准。
• CI 与 pre-commit 流程 (other): 作者修复 pre-commit 问题后重新提交，后续 CI 通过并完成合并。

风险与影响

• 风险：风险整体很低：

• 回归风险：input_text/output_text 与 text 共用同一分支，行为完全等价；图片占位符路径未触碰，不影响既有多模态请求。

• 测试盲区：新增测试只覆盖单文本 part 的场景，未覆盖“图片 + 文本”混合的 Responses 请求，也未覆盖 text 字段缺失（依赖既有的 block.get("text", "") 容错）的边界情况，但这部分属于既有逻辑，并非本改动引入。
• 扩展性隐患：白名单硬编码在 tokenizer 内部，若未来 Responses API 引入新的文本类 content 类型（如 input_file 等），需要再次同步扩展；目前尚无统一规范位置管理 content 类型别名。
• 无性能与安全影响：改动不改动计算路径，不影响模型执行与梯次推理。
• 影响：影响范围集中在使用 DeepSeek V4.1 系列模型（如 deepseek-ai/DeepSeek-V4.1-Flash）并通过 /v1/responses 接口发起请求的用户：修复前这类请求因 400 被拒，修复后可正常走完推理。受影响的模块仅是 vllm/tokenizers/deepseek_v41.py，不涉及调度、注意力、KVCache 等运行时路径，因此对系统性能与稳定性无影响；对团队而言是一次低成本的兼容性补丁，测试覆盖了角色与类型的两个正交维度，防止后续回归。
• 风险标记：协议类型白名单硬编码, 测试未覆盖混合图文场景, 低回归风险

关联脉络

• PR #56366 [Bugfix][Rust Frontend][Multimodal] Align DeepSeek V4.1 and Kimi K3 media with rendered placeholders: 同属 DeepSeek V4.1 前端/渲染适配修复系列：该 PR 处理媒体占位符渲染顺序错配，本 PR 处理 tokenizer 文本类型兼容，共同完善该模型在 Responses 前端链路的行为一致性。