执行摘要

• 一句话：对齐 vLLM 与 Transformers 的 YaRN，修正 YaRN 变体 max_model_len 二次缩放
• 推荐动作：值得精读，尤其是三个设计决策：(1) 为什么用预计算 attention_factor 而不是 mscale: 0.7（上游只在 mscale_all_dim 为真时才看 mscale，否则会得到 1.1386 而非 1.0970）；(2) 为什么把修复从“给别名打补丁”改为“对整个 YaRN 家族套用上游规则”，并顺势删除重复类；(3) 为什么把 apply_yarn_scaling 重拼为 attention_factor 而不是保留别名——结果是 RoPE 字典的每个键都成为 Transformers 键，ignore_keys_at_rope_validation 这类 workaround 随之消失。阅读时应同时留意作者自述的验证缺口：Model evaluation — Not yet run — needs a GPU run before merge 并未在合并前补齐。若下游确实在生产使用 TeleChat3、sarvam-105b 或任何带 mscale/mscale_all_dim 的 YaRN 模型，建议自行补一次长上下文精度与输出一致性回归，并确认新默认 max_model_len 与现有部署配置兼容。

功能与动机

PR body 指出两个可直接观察的错误推导：Tele-AI/TeleChat3-36B-Thinking（rope_type telechat3-yarn）的 max_model_len 从 131,072 被算成 32,768 的反面——旧代码把它推到 131,072，而实际 config 已经是 32,768×4；sarvamai/sarvam-105b（deepseek_yarn，max_position_embeddings = 131072，factor = 40）被推导出 5,242,880，远超其 cos/sin cache 长度，请求可以索引到 cache 之外。作者把根因归结为“与 transformers.modeling_rope_utils._compute_yarn_parameters 的漂移（drift）”，并说明这正是每个 vendor 别名都需要单独打补丁的原因，因此选择一次性对齐上游规则：上游从不对 YaRN 把 max_position_embeddings 乘 factor，上游也只有一份 YaRN 实现而非每个 vendor 一个类。PR 还明确 supersede 了 #55116（把 telechat3-yarn 加入排除元组）与 #56279（加入 deepseek_yarn），并致谢 @leex404 与 @pushkar-sarvam。

实现拆解

1. 修正派生上下文长度（vllm/config/model.py::_get_and_verify_max_len）：把 factor 累积的排除元组从 ("su", "longrope", "llama3") 扩展为再包含 "yarn"、"deepseek_yarn"、"deepseek_llama_scaling"，并删除原先 if rope_type == "yarn": derived_max_model_len = rp["original_max_position_embeddings"] 的特例。理由是与上游一致：对 YaRN 家族而言 max_position_embeddings 本身就是最终上下文长度，再乘 factor 会高估上限。影响面覆盖所有依赖 derived_max_model_len 的启动校验、KV cache 容量估算与 --max-model-len 默认值。

1. 把 vendor 别名归一化为标准 YaRN（vllm/transformers_utils/config.py::_patch_legacy_rope_type）：新增分支，把 rope_type == "telechat3-yarn" 改写为 "yarn"，并预计算 attention_factor = 0.07 * math.log(factor) + 1.0（同时 pop 掉遗留的 type 键），为此新增 import math。这样 TeleChat3 会自动落入所有基于 "yarn" 的判断（包括第 1 步的排除元组），也是删除重复 RoPE 类的前提。

2. 删除重复实现并收敛分派逻辑（vllm/model_executor/layers/rotary_embedding/telechat3_scaling_rope.py 删除、rotary_embedding/__init__.py）：整文件删除 57 行的 TeleChat3RoPEScaledRotaryEmbedding（其 get_mscale 只在系数上把 0.1 换成 0.07），同步移除导入与 get_rope 里 scaling_type == "telechat3-yarn" 分支；yarn 分支的 extra_kwargs 白名单改为 beta_fast/beta_slow/mscale/mscale_all_dim/attention_factor/truncate，并删掉 extra_kwargs.pop("apply_yarn_scaling", None) 这个 mrope 专用 workaround。

3. 统一 YaRN attention 缩放语义（yarn_scaling_rope.py、mrope.py、deepseek_scaling_rope.py、common.py）：YaRNScalingRotaryEmbedding.__init__ 采用与 _compute_yarn_parameters 相同的优先级——attention_factor 优先，其次在 mscale 与 mscale_all_dim 同时为真时取两者比值，最后回退 yarn_get_mscale(factor)；MRotaryEmbedding 采用同一套解析以覆盖 mrope+yarn（如 Qwen2.5-VL 系）；DeepseekScalingRotaryEmbedding 去掉 mscale 上的 * attn_factor；common.py::yarn_get_mscale(scale, mscale=1) 增加系数形参。所有 RoPE 类的 extrapolation_factor/attn_factor 被删除，inv_freq_mask 不再乘以 extrapolation_factor（默认 1，等价）。

4. Mistral YaRN 参数映射改写（vllm/transformers_utils/configs/mistral.py::_remap_mistral_yarn_args）：从映射表移除 apply_scale → apply_yarn_scaling，改为 if not yarn_config.pop("apply_scale", True): rope_parameters["attention_factor"] = 1.0；同时删除 packaging.version 与 TRANSFORMERS_VERSION 导入以及 ignore_keys_at_rope_validation 的版本分支 hack。作者核对后指出 mistralai/Mistral-Large-3 上游算 1.3583 而 vLLM 算 1.0，改后两边都写 1.0 且 vLLM 数值不变。

5. 测试配套：tests/test_config.py 新增参数化用例 test_get_and_verify_max_len_yarn_is_already_scaled（覆盖 yarn/deepseek_yarn/deepseek_llama_scaling，并以 linear 作为仍然乘 factor 的对照组，全部为直接调用不走网络）；tests/transformers_utils/test_config.py 新增 test_patch_legacy_rope_type_normalizes_telechat3_yarn 验证归一化。作者声明的测试计划还包括 tests/kernels/core/test_mrope.py、test_pos_encoding.py 与 pre-commit run --all-files，并指出新用例在无修复时会失败（assert 1310720 == 32768）。

关键文件：

• vllm/config/model.py（模块 模型配置；类别 source；类型 core-logic；符号 _get_and_verify_max_len）: 核心 bugfix 所在：_get_and_verify_max_len 的 YaRN 排除元组扩展与 "yarn" 特例删除，直接决定 TeleChat3 / sarvam-105b 的默认 max_model_len。
• vllm/transformers_utils/config.py（模块 配置适配；类别 source；类型 data-contract；符号 _patch_legacy_rope_type）: _patch_legacy_rope_type 新增 telechat3-yarn → yarn 归一化并预计算 attention_factor，是删除重复 RoPE 类、让 TeleChat3 落入所有 "yarn" 判断的前提。
• vllm/model_executor/layers/rotary_embedding/yarn_scaling_rope.py（模块 位置编码；类别 source；类型 data-contract；符号 YaRNScalingRotaryEmbedding.init, YaRNScalingRotaryEmbedding._compute_inv_freq）: YaRNScalingRotaryEmbedding 的 mscale 解析重写为与 Transformers _compute_yarn_parameters 逐字对齐，是本次参数契约变更的核心落点。
• vllm/model_executor/layers/rotary_embedding/telechat3_scaling_rope.py（模块 位置编码；类别 source；类型 deletion；符号 TeleChat3RoPEScaledRotaryEmbedding, init, get_mscale）: 整文件删除 57 行的 TeleChat3RoPEScaledRotaryEmbedding，是“去重复实现、统一 YaRN”这一设计方向的直接体现。
• vllm/model_executor/layers/rotary_embedding/__init__.py（模块 编码分派；类别 source；类型 data-contract；符号 get_rope）: get_rope 分派表：移除 telechat3-yarn 分支与导入，yarn 的 extra_kwargs 白名单改为 Transformers 键，是全链路收敛的入口。
• vllm/model_executor/layers/rotary_embedding/mrope.py（模块 位置编码；类别 source；类型 data-contract；符号 MRotaryEmbedding.init）: MRotaryEmbedding 复用同一套 YaRN mscale 解析，影响 mrope+yarn（如 Qwen2.5-VL 系）模型的 attention 缩放。
• vllm/model_executor/layers/rotary_embedding/deepseek_scaling_rope.py（模块 位置编码；类别 source；类型 cleanup；符号 DeepseekScalingRotaryEmbedding.init, DeepseekScalingRotaryEmbedding._compute_inv_freq）: DeepseekScalingRotaryEmbedding 去掉 attn_factor/extrapolation_factor 乘子，直接作用于 DeepSeek/Kimi 等走 deepseek_yarn 的 MLA 模型。
• vllm/transformers_utils/configs/mistral.py（模块 模型适配；类别 source；类型 configuration；符号 _remap_mistral_yarn_args）: _remap_mistral_yarn_args 把 apply_scale: false 改写为显式 attention_factor = 1.0，并删除版本相关的 ignore_keys_at_rope_validation 分支。
• vllm/model_executor/layers/rotary_embedding/common.py（模块 位置编码；类别 source；类型 data-contract；符号 yarn_get_mscale）: yarn_get_mscale 增加 mscale 形参，是 YaRN/DeepSeek 两类实现共享的缩放公式基础改动。
• tests/test_config.py（模块 配置测试；类别 test；类型 test-coverage；符号 test_get_and_verify_max_len_yarn_is_already_scaled）: 新增参数化回归用例 test_get_and_verify_max_len_yarn_is_already_scaled，直接锁定「YaRN 家族不再乘 factor」这一行为契约。
• tests/transformers_utils/test_config.py（模块 配置测试；类别 test；类型 test-coverage；符号 test_patch_legacy_rope_type_normalizes_telechat3_yarn）: 新增 test_patch_legacy_rope_type_normalizes_telechat3_yarn，验证 vendor 别名的归一化与 attention_factor 预计算。

关键符号：_get_and_verify_max_len, _patch_legacy_rope_type, YaRNScalingRotaryEmbedding.init, MRotaryEmbedding.init, DeepseekScalingRotaryEmbedding.init, yarn_get_mscale, _remap_mistral_yarn_args, get_rope, TeleChat3RoPEScaledRotaryEmbedding（删除）, test_get_and_verify_max_len_yarn_is_already_scaled, test_patch_legacy_rope_type_normalizes_telechat3_yarn

关键源码片段

vllm/config/model.py

核心 bugfix 所在：_get_and_verify_max_len 的 YaRN 排除元组扩展与 "yarn" 特例删除，直接决定 TeleChat3 / sarvam-105b 的默认 max_model_len。

# vllm/config/model.py —— _get_and_verify_max_len() 中 RoPE 缩放相关的核心片段
# 语义：YaRN 家族（yarn / deepseek_yarn / deepseek_llama_scaling）的
# max_position_embeddings 已经是最终上下文长度，不能再乘一次 factor。
​
if rope_parameters is not None and "gemma3" not in hf_config.model_type:
    scaling_factor = 1.0
    for rp in rope_parameters.values():
        # 加载 HF config 时已经过 patch_rope_parameters，这里无需再看 "type" 键
        rope_type = rp["rope_type"]
​
        # 与 Transformers 的 _compute_yarn_parameters 保持一致：
        # 上游从不把 max_position_embeddings 乘以 factor，
        # 因此整个 YaRN 家族都排除在 factor 累积之外。
        # 旧实现只排除精确字符串 "yarn"，导致 telechat3-yarn /
        # deepseek_yarn 的 max_position_embeddings 被二次缩放。
        if rope_type not in (
            "su",
            "longrope",
            "llama3",
            "yarn",
            "deepseek_yarn",
            "deepseek_llama_scaling",
        ):
            # rope_type == "default" 不定义 factor；
            # 这里假设所有层类型共享同一个 scaling factor
            scaling_factor = rp.get("factor", scaling_factor)
​
    if scaling_factor is None:
        # 用户在 config 里显式写了 null 时回退到 1.0，并提示可能是模型侧 bug
        logger.warning_once(
            "The model's RoPE configuration has a null scaling factor ..."
        )
        scaling_factor = 1.0
​
    # 在循环外统一乘一次，避免多层类型重复相乘
    derived_max_model_len *= scaling_factor
​
# 未显式指定 max_model_len 时以它作为默认值；
# LongRoPE 单独回退到 original_max_position_embeddings，避免短序列性能退化
if max_model_len is None or max_model_len == -1:
    if rope_parameters is not None and any(
        rp["rope_type"] == "longrope" for rp in rope_parameters.values()
    ):
        max_model_len = int(
            getattr(
                hf_config, "original_max_position_embeddings", derived_max_model_len
            )
        )
    else:
        max_model_len = int(derived_max_model_len)

vllm/transformers_utils/config.py

_patch_legacy_rope_type 新增 telechat3-yarn → yarn 归一化并预计算 attention_factor，是删除重复 RoPE 类、让 TeleChat3 落入所有 "yarn" 判断的前提。

# vllm/transformers_utils/config.py —— _patch_legacy_rope_type() 新增分支
def _patch_legacy_rope_type(rope_parameters: dict[str, Any]) -> None:
    """把模型侧遗留的 rope_type 归一化为 Transformers 认识的标准值。"""
​
    if rope_parameters["rope_type"] == "mrope":
        # 历史写法：mrope 等价于 default
        rope_parameters["rope_type"] = "default"
        logger.warning("Replacing legacy rope_type 'mrope' with 'default'")
​
    elif rope_parameters["rope_type"] == "telechat3-yarn":
        # TeleChat3 是 YaRN 的 vendor 副本：只把 attention scaling 系数
        # 从 0.1 改成 0.07。这里预先算出 attention_factor，配置就等价于
        # 标准 YaRN，因此 vLLM 不必再维护一份重复的 RoPE 类，
        # TeleChat3 也会自动落入所有基于 "yarn" 的判断分支。
        #
        # 注意：写成 mscale=0.7 无法 round-trip —— 上游只有在
        # mscale_all_dim 同时为真时才读 mscale，会算出 1.1386
        # 而不是预期的 0.07 * log(4) + 1 = 1.0970。
        factor = rope_parameters["factor"]
        rope_parameters["rope_type"] = "yarn"
        rope_parameters["attention_factor"] = 0.07 * math.log(factor) + 1.0
        # 清掉旧式 "type" 键，避免下游重复解析
        rope_parameters.pop("type", None)
        logger.warning("Replacing rope_type 'telechat3-yarn' with 'yarn'")
​
    # 之后仍会继续处理 interleaved sliding attention 的嵌套 rope_parameters

vllm/model_executor/layers/rotary_embedding/yarn_scaling_rope.py

YaRNScalingRotaryEmbedding 的 mscale 解析重写为与 Transformers _compute_yarn_parameters 逐字对齐，是本次参数契约变更的核心落点。

class YaRNScalingRotaryEmbedding(RotaryEmbedding):
    """RotaryEmbedding extended with YaRN method.
​
    Credits to Peng et al. github.com/jquesnelle/yarn
    """
​
    def __init__(
        self,
        head_size: int,
        rotary_dim: int,
        max_position_embeddings: int,
        base: float,
        is_neox_style: bool,
        scaling_factor: float,
        dtype: torch.dtype,
        *,
        beta_fast: int = 32,
        beta_slow: int = 1,
        mscale: float | None = None,
        mscale_all_dim: float | None = None,
        attention_factor: float | None = None,
        truncate: bool = True,
    ) -> None:
        self.scaling_factor = scaling_factor
        self.beta_fast = beta_fast
        self.beta_slow = beta_slow
        self.truncate = truncate
​
        # attention 缩放的优先级与 Transformers 的 _compute_yarn_parameters 一致：
        # 1) 显式 attention_factor 优先（Mistral 的 apply_scale: false 会映射成 1.0）；
        # 2) 否则当 mscale 与 mscale_all_dim 同时为真时取两者比值；
        # 3) 最后回退到标准 YaRN 的 yarn_get_mscale(factor)。
        # 旧的 attn_factor / apply_yarn_scaling 已删除 —— 它们不是 Transformers
        # 的 RoPE 参数，任何 HF config 都无法携带。
        if attention_factor is not None:
            self.mscale = float(attention_factor)
        elif mscale and mscale_all_dim:
            self.mscale = float(
                yarn_get_mscale(self.scaling_factor, mscale)
                / yarn_get_mscale(self.scaling_factor, mscale_all_dim)
            )
        else:
            self.mscale = float(yarn_get_mscale(self.scaling_factor))
​
        super().__init__(
            head_size, rotary_dim, max_position_embeddings, base, is_neox_style, dtype
        )
​
    def _compute_inv_freq(self, scaling_factor: float) -> torch.Tensor:
        pos_freqs = self.base ** (
            torch.arange(0, self.rotary_dim, 2, dtype=torch.float) / self.rotary_dim
        )
        inv_freq_extrapolation = 1.0 / pos_freqs
        inv_freq_interpolation = 1.0 / (scaling_factor * pos_freqs)
​
        low, high = yarn_find_correction_range(
            self.beta_fast,
            self.beta_slow,
            self.rotary_dim,
            self.base,
            self.max_position_embeddings,
            self.truncate,
        )
        # 不再乘以 extrapolation_factor：该旋钮在 vLLM 中无人设置，
        # 删除后与原实现等价（乘 1）
        inv_freq_mask = 1 - yarn_linear_ramp_mask(
            low, high, self.rotary_dim // 2, dtype=torch.float
        )
        inv_freq = (
            inv_freq_interpolation * (1 - inv_freq_mask)
            + inv_freq_extrapolation * inv_freq_mask
        )
        return inv_freq

评论区精华

本 PR 没有任何行内 review 评论（review_comments_count = 0），讨论信息几乎全部来自 PR body 与合并记录：

hmellor（PR body，作者自评风险）：Model evaluation — Not yet run — needs a GPU run before merge. … This touches attention scaling and derived context length, so TeleChat3 and an MLA model on the deepseek_yarn path should be evaluated before this lands; treat it as unvalidated end-to-end until those results are posted here.

hmellor（PR body，关于打包清理的正当性）：The exact-string check was a symptom of drift from transformers.modeling_rope_utils._compute_yarn_parameters, which is why each vendor alias needed its own special case.

hmellor（PR body，关于 mscale 无法 round-trip）：TeleChat3 uses a precomputed attention_factor rather than mscale: 0.7, which looks natural but does not round-trip: upstream only consults mscale when mscale_all_dim is also truthy, so it would compute 1.1386 where vLLM computed 1.0970.

claude[bot]：This pull request is from a fork — automated review is disabled. 即自动 review 未生效，没有被机器审查覆盖。

审阅记录仅两条空 body 的 APPROVED（noooop、Isotr0py），随后由作者本人 merged_by: hmellor 合并，Issue 评论只有 /ci run 与 Buildkite 触发回执。也就是说，“合并前端到端必须验证”这一自我要求没有在 PR 内留下任何结果记录，属于未闭环的讨论。

• 合并前端到端精度验证缺口（作者自述） (testing): 作者只提供了单元级等价性论证（cos_sin_cache torch.equal、mscale = 0.07*log(4)+1 = 1.097040605278392、inv_freq 与 ROPE_INIT_FUNCTIONS["yarn"] 逐位一致），自己在未补评测的情况下合并；该验证缺口未闭环。
• attention_factor 预计算 vs mscale=0.7 的 round-trip 陷阱 (design): 采用 attention_factor 作为唯一表达，成为 apply_scale: false（→1.0）与 TeleChat3（→0.07 系数）共用的语义出口。
• 把 per-vendor 特例泛化为整个 YaRN 家族 (design): 泛化方案被采纳并合并，两个既有 PR 被取代；但本质上仍是枚举式白名单，未注册的第三方别名仍可能被二次缩放。
• 删除 attn_factor / extrapolation_factor / apply_yarn_scaling 三个参数 (design): 三个 kwargs 被移除，RoPE 字典的每个键都成为具有上游含义的 Transformers 键；对下游直接实例化这些类的代码构成潜在破坏性变更。
• 自动化 review 未生效 (other): 本 PR 没有机器审查覆盖，只有两名人工审阅者给出无正文的 APPROVED。

风险与影响

• 风险：
  1. 核心路径语义变更（_get_and_verify_max_len）：默认 max_model_len 对 TeleChat3-36B-Thinking（131,072 → 32,768）与 sarvam-105b（5,242,880 → 131,072）大幅下调。这是修复越界索引的有意行为变更，但对已依赖旧默认值的部署（例如按旧值配置显存预算或直接暴露长上下文）会表现为启动报错或需要显式 --max-model-len，属于用户可见的兼容性变化。
  2. 白名单枚举仍有遗漏风险：修复方式是继续枚举“已知 YaRN 别名”，而非按前缀/语义识别 YaRN 家族。任何未注册的新 vendor 别名（第三方私有 config 常见）仍会落入 scaling_factor = rp.get("factor") 分支并被二次缩放。
  3. RoPE 参数契约变更：extrapolation_factor、attn_factor、apply_yarn_scaling 三个 kwargs 从 YaRNScalingRotaryEmbedding、MRotaryEmbedding、DeepseekScalingRotaryEmbedding 中删除。仓库内已无调用方（作者声明为 dead），但下游 fork、插件或自定义模型若直接实例化这些类并传参，将直接 TypeError。
  4. attention 缩放数值路径变化：mscale/mscale_all_dim 从“被忽略”变为“真正生效”，携带这两个键的 HF config（mrope+yarn、deepseek_yarn 路径）输出数值会变化。作者只做了分析与 torch.equal 级别的单元对比，没有端到端精度评测。
  5. Mistral 分支的版本条件被删除：原先按 TRANSFORMERS_VERSION >= 5.3.0.dev0 决定是否写 ignore_keys_at_rope_validation，现在统一改为 attention_factor。对新旧 Transformers 版本的交叉兼容性缺少显式测试覆盖。
  6. telechat3-yarn 只在校验前的 config patch 阶段被归一化：若有路径绕过 _patch_legacy_rope_type（例如直接构造 rope_parameters 的第三方代码），get_rope 会抛出 Unknown RoPE scaling type telechat3-yarn，因为专用类与分支都已删除。
  7. 测试层次偏单元：两个新增用例都是直接调用、无网络、无 GPU，验证的是推导值与归一化，无法覆盖“cos/sin cache 是否被越界索引”“attention scaling 是否与预期精度一致”这类端到端后果。
     - 影响：用户侧：TeleChat3-36B-Thinking 与 sarvam-105b 的默认上下文长度被修正到与 HF config 一致的安全值，越界索引 cos/sin cache 的隐患被消除；Mistral-Large-3 的 attention factor 语义与上游对齐（vLLM 数值不变），TeleChat3 不再需要 vendor 专用 RoPE 类。系统侧：get_rope 的 yarn 分支、MRotaryEmbedding 与 DeepseekScalingRotaryEmbedding 的参数集统一到 Transformers 词汇表，vllm/transformers_utils/configs/mistral.py 少了一个版本判断分支与一个校验 workaround，_ROPE_DICT 相关实现去掉了重复类；代价是 mrope+yarn（Qwen2.5-VL 类）与 deepseek_yarn（DeepSeek/Kimi MLA 类）的数值路径发生变化。团队侧：后续处理新的 YaRN vendor 别名有了固定套路——在 _patch_legacy_rope_type 中预计算 attention_factor 归一化为 yarn，而不是新增子类；同时维护 _get_and_verify_max_len 的排除元组成为隐性约定。若生产上运行受影响的模型，需要重新确认 --max-model-len、显存预算与长上下文评测基线。
     - 风险标记：核心路径变更, 默认 max_model_len 下调, 端到端精度未验证, RoPE 参数契约变更, 枚举白名单仍有遗漏风险, 缺少下游迁移说明

关联脉络

• PR #55116 被本 PR 取代：telechat3-yarn 排除元组修复（标题未在上下文中提供）: PR body 写明本 PR supersedes #55116 —— 该 PR 只把 telechat3-yarn 加入排除元组，本 PR 泛化为整个 YaRN 家族并删除其专用 RoPE 类，覆盖了同一问题。
• PR #56279 被本 PR 取代：deepseek_yarn max_model_len 修复（标题未在上下文中提供）: PR body 写明本 PR supersedes #56279 —— 该 PR 为 deepseek_yarn 单独加排除项，本 PR 用上游规则一次性覆盖 yarn/deepseek_yarn/deepseek_llama_scaling。
• PR #56214 [Model] Support DeepSeek-V4.1-Flash: 同一功能线：本 PR 修改的 deepseek_scaling_rope.py 与 _get_and_verify_max_len 直接影响 DeepSeek MLA 系列（含 V4 家族）的 RoPE 缩放与派生上下文长度，且该历史 PR 也改动了 vllm/v1/core/kv_cache_utils.py 等与上下文/KV 容量相关的路径。
• PR #56433 [ROCm][Bugfix] Fix AITER preshuffled FP8 block-scale kernel: 同一类问题：两者都修正 MLA/DeepSeek 路径上的静默数值错误（前者是 FP8 kernel 精度、本 PR 是 YaRN attention scaling 与上下文长度），说明该路径近期是精度回归高发区，值得合起来看。