vllm-project/vllm

优化 Ascend NPU CI 流程，移除耗时构建并增加测试超时。

此 PR 是一个有价值的 CI 效率优化，建议合并。其核心改动（移除构建步骤、增加超时、缩减测试范围）直接针对了耗时问题，且改动集中、影响可控。值得关注的决策是：1) 以依赖预置换取构建速度；2) 以跳过失败测试换取 CI 快速通过。这些权衡在讨论中已得到维护者认可，并计划后续修复。代码审阅者应确认 `timeout_in_minutes` 的设置值是否足够缓冲正常的测试波动。

为 vLLM 添加 Cohere Compass (North Micro Vision Instruct) 多模态视觉语言模型支持。

本 PR 是一个标准的新增模型支持 PR，实现了完整的推理链路。值得关注的设计决策包括：1) Triton 内核加速位置嵌入插值的选择；2) 对现有 `CohereForCausalLM` 基类的复用；3) M-ROPE 检测逻辑的泛化修改。建议精读 `cohere_compass.py` 中的视觉编码器实现和 Triton 内核，评估是否可进一步抽象为通用组件。CodeRabbit 提出的 CUDA 图参数问题值得后续跟进。

更新测试注册表中 SarvamMLA 模型的兼容性原因，解锁被误跳过的 vLLM 测试。

这是一个简单但必要的维护性变更。对于关注 Transformers v5 迁移或测试覆盖率的工程师，值得快速浏览。其主要价值在于正确性修复，而非技术洞察。可以精读以了解测试注册表的工作机制。

澄清服务器端准入控制限制的作用域，明确其为聚合限制而非每 DP rank 限制。

本 PR 是一个高质量的文档改进，建议所有使用 vLLM 数据并行部署的用户和运维人员阅读。其价值在于澄清了一个容易引起混淆的关键配置行为，有助于避免生产环境中的配置错误。虽然代码变更简单，但解决了一个真实存在的运维痛点。

修复 Gemma 4/3n 模型 KV 共享层条件创建，解决微调检查点加载失败问题。

此 PR 值得精读。它修复了一个影响面广的微调模型加载 bug，且采用的条件创建方案比最初的“权重标记”hack 更优雅、更符合模型设计意图。核心设计决策（在 `__init__` 中根据配置条件创建模块，而非在 `forward` 或 `load_weights` 中打补丁）值得学习和借鉴。审查者推动的重构建议直接提升了代码质量。建议关注其权重映射（`_kv_sharing_weights_mapper`）的设计，以及如何通过分叉的前向路径和加载逻辑来同时兼容原始检查点和微调检查点。

将 FA4 MLA 和 Inkling FA4 相对注意力内核的预热逻辑从集中式模块迁移到内核自注册模式，为 DeepSeek V4 模型消除运行时 JIT 编译做准备。

本 PR 是一次清晰且必要的重构，是大型架构迁移（Issue #49349）中的标准步骤。对于关注内核预热、JIT 编译优化或 DeepSeek V4 模型集成的工程师，值得精读。关键设计决策是采用“内核自注册”模式，将预热责任下放到内核实现本身，这是一个值得借鉴的模式。

将 DSv4 attention 路径的序列/DCP JIT 内核迁移到共享 warmup 契约，消除运行时编译。

本 PR 是 DSv4 去 JIT 化系列中的关键里程碑，实现了高质量的内核迁移和契约建立。建议精读以下内容：1) `VllmCuTeDSLJitKernel` 和 `VllmTritonJitKernel` 基类的设计，理解 `dispatch`/`get_warmup_keys`/`warmup_inputs` 的协作模式；2) `jit_warmup_triton_helper.py` 中 `kernel_launcher` 装饰器的运行时/编译时适配逻辑；3) `jit_warmup.py` 中 `_same_registration` 去重优化。整体实现清晰、测试充分，值得作为后续迁移的参考模板。

修复分块嵌入配置中 max_embed_len 被忽略的 bug，恢复请求长度验证。

此 PR 是一个清晰、必要且低风险的 bugfix。它修复了一个会导致用户配置被忽略、系统返回意外结果的具体问题。修复逻辑非常集中（单行变更），且通过 PR 中的测试计划表明已得到验证。**建议**：对于维护 Pooling 模块或使用分块嵌入功能的工程师，此 PR 值得精读，以理解配置参数如何影响请求处理流程。其核心修复模式（避免在分块路径中过度放宽验证）可作为类似场景的参考。