vllm-project/vllm

添加 Cohere ASR 语音转录模型支持，扩展 vLLM 多模态能力。

建议技术管理者和工程师精读此 PR，重点关注： 1. **模型实现**：`cohere_asr.py` 中的编码器-解码器架构设计，特别是与变长编码器集成的部分。 2. **设计决策**：`skip_decoder_start_token` 标志的引入和传播方式，体现了非侵入式扩展模式，值得借鉴。 3. **Review 洞察**：讨论中的设备处理和代码共享权衡，可帮助避免类似硬编码陷阱。 4. **关联变更**：结合 PR 31058 等历史变长编码器改进，理解整体架构演进。

修复Python <= 3.10上mock.patch解析FakeTensorMode失败导致的编译崩溃。

这是一个小而关键的bug修复，值得工程师精读以理解mock.patch在不同Python版本下的行为差异。关注的设计决策包括使用sys.modules绕过字符串解析问题，以及针对版本兼容性的注释，这些技巧在处理跨版本兼容性时具有借鉴价值。

引入AMD Zen CPU后端，通过zentorch优化GEMM操作以提升性能。

推荐技术管理者和工程师精读此PR，重点关注平台检测机制（`_is_amd_zen_cpu`函数）和GEMM分发逻辑（`dispatch_cpu_unquantized_gemm`函数）的设计决策。注意review中关于缓存键和依赖管理的讨论，以了解潜在陷阱。对于涉及CPU后端优化或平台扩展的项目，此PR提供了可复用的架构模式。

修复混合注意力模型 KV 缓存初始化失败，将分组阈值从 1.25 提高至 1.5。

建议工程师阅读此 PR 以了解 KV 缓存分组逻辑的启发式阈值设计，并关注 gemini-code-assist[bot] 提出的配置性建议，这对于长期代码维护有参考价值。

修复 GDN 层 Triton autotuner 在 V1 profiling 阶段未触发导致的 OOM 问题，确保 Qwen 模型稳定推理。

建议工程师精读此 PR，特别是关注如何在 V1 profiling 阶段预热 Triton autotuned kernels 以避免运行时内存问题。值得学习的设计决策包括 autotune key 的覆盖策略、小 tensor 预热方法，以及 review 中讨论的配置鲁棒性优化。对于处理高性能计算或内存敏感场景的开发者，此 PR 提供了实用的技术洞察。

为OpenAI Responses API添加流式工具/函数调用支持。

该PR值得精读，特别是`_process_simple_streaming_events`函数中的工具解析集成设计，展示了如何在现有流式框架中优雅地扩展新功能，同时关注测试组织和未来重构的权衡。

修复MiniMax M2工具解析器在流式输出时因批次大小导致的参数丢失问题。

此PR值得精读，尤其关注如何重构状态机处理流式解析边界情况，设计决策如缓冲策略和安全性权衡有学习价值。建议工程师查看`extract_tool_calls_streaming`函数和测试用例，以理解XML解析优化。

修复ROCm平台attention backend验证因不规则block_size导致的模型启动失败。

对于工程师，此PR不值得深入阅读，除非需了解ROCm平台验证逻辑或一致性修复模式。可快速浏览以确认变更与CUDA对齐，并注意类似的跨平台bugfix策略，作为维护代码一致性的参考案例。