vllm-project/vllm

移除Sparse24模型的压缩张量集成和内核代码，以减少维护负担和二进制大小。

该PR值得快速浏览以了解弃用策略，但无需深究技术细节。关注点在于`CompressedTensors24`类的错误抛出方式和review中的直接删除决策，这对类似功能清理有参考价值。

实现了零气泡异步调度和推测解码优化，提升推理性能约3%。

该PR值得精读，尤其是vllm/v1/worker/gpu_model_runner.py中的异步状态管理逻辑和update_num_computed_tokens_for_batch_change设计。关注点包括：乐观假设与延迟校正的权衡、GPU缓冲区优化以减少同步、以及review中讨论的代码简化路径，这些决策对高性能推理系统设计有重要参考价值。

在MRV2的GPU worker warmup中集成speculative decoding，确保正确初始化和性能。

对于负责GPU worker、speculative decoding或MRV2架构的工程师，值得简要阅读此PR以了解warmup过程的调整。设计决策简洁，主要学习点是避免代码重复和维护一致性，无需深入分析复杂逻辑。

拆分Entrypoints集成测试CI作业为三个并行作业，以缩短总运行时间。

对于CI维护者和测试工程师值得精读，了解如何优化测试作业拆分和并行化策略；一般开发者可快速浏览以确认无测试覆盖问题，但变更较机械，技术洞察有限。

添加Hybrid SSM NixlConnector集成测试到CI，扩展测试覆盖。

这是一个简单的CI测试添加，不值得深入精读。工程师可关注模型从Nemotron改为Granite的决策，以了解测试资源优化和配置调整的思路。

在 split_graph 中使用 lazy graph module 延迟 recompile()，节省约 226ms 编译时间。

建议技术管理者和工程师精读此 PR，重点关注使用私有 API 进行性能优化的设计权衡，以及未来兼容性考虑。代码改动虽简单，但讨论揭示了在依赖第三方库内部实现时的常见挑战，值得作为案例学习。

修复RoBERTa模型在CUDA图模式下位置ID累积导致的崩溃问题。

建议工程团队精读此PR，了解CUDA图下缓冲区管理的陷阱，特别是避免原地操作持久状态。对于涉及模型嵌入层或CUDA图优化的代码，此修复提供了良好实践参考。对于维护RoBERTa相关模块的开发者，建议重点关注位置处理逻辑的变更。

修复RoBERTa模型在CUDA图模式下位置ID累积导致的崩溃问题。

建议工程师精读此PR，理解CUDA图模式下tensor重用和模型特定逻辑的交互。重点关注设计决策：选择在model runner中修复而非模型层，以预防未来类似bug。变更虽小，但揭示了优化场景下的微妙陷阱，值得学习以增强代码健壮性。