vllm-project/vllm

允许 flashinfer_cutlass 支持 NVFP4 SwiGLU clamp

建议合入。这是一次最小化修复，逻辑正确，验证充分，风险极低。不需要深入阅读。

Marlin NVFP4 MoE 支持 SwiGLU clamp

该 PR 值得快速合并，属于关键 bugfix。改动精简、意图明确，经过 review 确认和端到端验证。建议精读 `oracle/nvfp4.py` 中 backend 选择逻辑和 `config.py` 中参数传递方式，可了解 NVFP4 MoE 后端的调度机制。

移除 Dockerfile 中冗余的 FlashInfer cubin 下载步骤

该 PR 虽然变更微小但值得合入，因为它消除了一个明确冗余且耗时的构建步骤。建议读者关注其验证方法（对比 wheel 内容、无网络运行时测试），可作为类似“删除冗余构建步骤”类 PR 的参考模板。

修复 DFlash 推测解码在 Model Runner V2 下接受率为 0 的问题

该 PR 是值得精读的，因为它演示了一个看似微小但影响重大的 bug 修复逻辑。它强调了在大型代码库中，属性初始化（如 `draft_id_to_target_id`）对条件判断的意外影响，以及如何通过更抽象和健壮的条件（如 `_should_share` + `has_own_lm_head`）来替代脆弱的直接属性检查。对于从事推测解码或模型加载的工程师，这是一个很好的案例。

废弃旧 FP8 Online MoE 量化类，统一到新前端

建议阅读该 PR 以了解 FP8 online quantization 的演进方向，特别是新前端 Fp8PerTensorOnlineMoEMethod 的设计。对于量化代码维护者，此变更值得精读。

修复 ROCm cumem sleep 内存释放和销毁崩溃

该 PR 修复了关键的内存泄漏和崩溃问题，值得所有 ROCm 用户升级。建议精读 `release_pools` 的两阶段释放模式，以及 C++ 层中处理睡眠分配的重入逻辑。此外，讨论中涉及的 `HandleType` 类型适配和 `is_asleep` 安全措施值得代码审查时借鉴。

Marlin MoE 支持线程块填充，提升 WNA16 和 FP8/MXFP8 性能

建议精读，特别是 `marlin_moe_padded_intermediate` 的设计和各量化路径的集成方式。该 PR 体现了内核约束感知的权重预处理技巧，值得学习。

修复 MiniMax M3 流式推理标记拆分问题

建议合并并优先发布。该 PR 解决了 MiniMax M3 流式推理的核心 bug，实现思路清晰，附有充分的测试覆盖。reviewer 建议未来迁移到通用 parser engine，但短期内此修复是必要的。值得关注的设计决策：从 token ID 检测转为文本标记检测的策略，以及通过 `_decode_text` 对齐 token 边界的方法。