vllm-project/vllm

为 vLLM IR 测试组添加 `skip_global_cleanup` 标记，将测试执行时间从约 19 分钟缩短至 1 分钟。

该 PR 是一个简单、低风险的 CI 优化，遵循了仓库中已有的最佳实践。它值得快速审阅并合并，以立即获得 CI 效率的提升。对于关注 CI/CD 效率或测试基础设施的团队成员，这是一个值得学习的模式，可以在其他类似的纯计算型测试组中复用。

修复 KV Connector 在填满块但未分配新块时，因快照缺失导致 MooncakeStoreConnector 断言失败的崩溃。

本 PR 值得精读。它修复了一个在生产环境中可复现的严重崩溃，其根因分析（时序不匹配）和解决方案（惰性查询与扩展请求集合）都体现了深刻的设计思考。核心变更集中在 `KVConnectorBlockState` 的重构和调度器快照逻辑的调整，影响范围明确。建议关注以下几点：1. 理解旧快照逻辑的缺陷及其时序解释；2. 学习将预复制字典重构为惰性查询回调的设计模式；3. 注意审查中关于序列化安全性的讨论及其解决方案；4. 评估对自定义连接器的接口影响。测试覆盖全面，包括核心路径回归测试和序列化验证。

为 CPU EC 连接器新增完整使用指南文档，涵盖基础配置、NIXL 点对点传输及协议细节。

本 PR 是一份高质量、内容详实的文档，对于理解和使用 CPU EC Connector 至关重要。由于是纯文档变更，其风险极低而价值高，强烈建议所有对 EC Connector 或 E/PD 分离架构感兴趣的技术人员精读此文档。它不仅描述了‘如何使用’，还深入解释了‘工作原理’和‘协议细节’，是理解该子系统设计意图的绝佳材料。

修复 ROCm 多流性能问题及 rocprofiler 崩溃，更新 ROCR+CLR 运行时并移除测试变通方案。

本 PR 值得精读，尤其是对于关注 ROCm 支持、性能优化和 CI/稳定性的团队。它不仅仅是一个简单的依赖更新，而是涉及构建流程优化、上游关键修复集成和测试代码清理的系统性改进。其设计决策（如构建阶段重排）反映了对构建系统效率和长期维护的深思熟虑。建议重点关注： 1. Docker 构建阶段重排背后的推理，这可以作为优化多阶段 Docker 构建的范例。 2. 如何系统地追踪和解决由外部库（ROCm 运行时、rocprofiler）引起的问题，并通过上游协作最终移除代码中的变通方案。 3. 多流性能改进的具体补丁内容（可通过 PR body 中链接的上游 PR 了解），这对理解 ROCm 性能调优有参考价值。

修复 DeepSeek V4/V3.2 工具解析器在模型省略启动包装器时泄漏原始 DSML 文本的问题。

此 PR 值得精读，因为它修复了一个影响用户生产环境的 bug，并展示了如何通过扩展状态机来优雅地处理模型输出的不确定性。其测试策略非常全面，涵盖了多种边界情况，为类似问题的解决提供了良好范例。

为 NVFP4 量化模型新增基于 PyTorch 原生 torch._scaled_mm 的线性层后端，专为 Blackwell GPU 优化。

此 PR 值得精读，特别是对于关注 Blackwell GPU 优化、NVFP4 量化内核实现或 vLLM 线性层后端架构的工程师。其设计清晰地复用了现有基础设施，并提供了详实的性能和正确性验证。关键的设计决策在于如何将 PyTorch 原生 API 无缝集成到 vLLM 的内核分发体系中，以及权重预处理和激活量化的具体实现，这些都值得学习和借鉴。

扩展 GPU<->CPU 同步检测，通过 monkeypatch 捕获非阻塞分页拷贝中的隐式同步。

此 PR 为性能调试工具带来了有价值的改进。其核心逻辑（`gpu_sync_debug.py` 中的新函数和包装器）设计清晰，测试覆盖全面，有效地区分了隐式同步和真正的异步传输。尽管涉及全局 monkeypatch，但在精心设计的作用域控制和显式豁免机制下，风险可控。建议性能工程师和关注推理延迟的开发者关注此变更，以便更好地利用同步检查功能。

为 NVFP4 量化模型启用 FlashInfer 加法 RMSNorm 融合内核，减少内核启动次数并提升性能。

这是一个有价值的功能性改进，值得关注。它展示了如何将外部优化的内核（FlashInfer）通过模式匹配和算子封装，无缝集成到 vllm 的编译器优化流水线中。对于关注 NVFP4 量化模型性能优化，或对 torch.compile 融合 pass 设计模式感兴趣的工程师，建议精读 `vllm/compilation/passes/fusion/rms_quant_fusion.py` 中的 `FusedAddRMSNormNvfp4QuantPattern` 类及其注册逻辑，以及 `fix_functionalization.py` 中对应的功能化处理。