vllm-project/vllm

为 AMD Kimi-K3 MLA 层实现融合 q/kv RMSNorm，提升解码性能。

该 PR 值得精读，特别是对于关注性能优化模式、硬件特定实现或 MLA 架构的工程师。它展示了一个将性能优化与代码结构保持清洁的良好实践：通过子类化实现特定硬件优化，而不污染共享代码。PR 中详尽的性能数据和准确性验证也值得学习。

复用 HC combine-norm 内核处理 MTP 输入，提升 Qwen4Exp 模型推理性能。

该 PR 是一个有价值且实现精良的性能优化。它展示了如何通过抽象和特化内核来复用代码并提升性能，设计决策（如可选注入指针）值得学习。建议工程师精读 Triton 内核的实现（`hc.py`）和 MTP 模型重构（`mtp.py`），以理解融合内核的设计权衡。对于关注推理性能的团队，此 PR 提供了优化类似计算模式的参考。

为外部负载均衡 DP 测试增加专家并行（EP）覆盖，提升 MoE 模型 DP+EP 通信路径测试能力。

这是一个有价值的测试增强 PR，值得精读其参数化设计和断言逻辑。它展示了如何通过调整测试参数化策略来平衡覆盖范围与 CI 资源成本，其中对 pytest fixture 参数元组和 ID 的运用是很好的实践。对于负责分布式测试或 MoE 模型的工程师，理解此变更有助于编写更全面的测试。

修复 XPU 在外部负载均衡 DP 模式下的设备分配错误，确保每个 rank 映射到不同设备。

此 PR 修复了 XPU 上外部 LB DP 模式的一个关键功能缺陷，实现逻辑相对完备，考虑了多种拓扑场景和错误情况。虽然**缺少自动化测试**是一个明显不足，但 PR 提供了详尽的测试计划和结果。对于关注 XPU 分布式部署或正在评审相关代码的工程师，建议**精读**此 PR，特别是 `init_device` 方法中新增的外部 LB 分支逻辑及其对不同拓扑的处理方式，其中的设计权衡（如依赖分配连续性假设）值得深入理解。

修复投机解码预热时设备硬编码为 CUDA 导致 XPU 设备分配失败的问题。

这是一个小而关键的平台兼容性修复，代码变更清晰且风险低。建议所有使用 XPU 进行投机解码部署的工程师精读此变更，理解其修复机制。对于维护多硬件平台支持的团队，此案例也提醒需警惕代码中的硬编码设备假设。

优化 Qwen3.8-Flash-Next QSA indexer 的 prefill logits 工作区大小，显著提升 prefill 阶段 GPU 效率。

这是一个高质量、目标明确的性能优化 PR。它值得精读，原因有三：(1) 优化思路清晰——通过收紧内存分配上界来减少 chunk 数量，直接针对 GPU 效率瓶颈；(2) 技术实现细致——不仅做了高层逻辑调整，还深入到 Triton kernel 层面进行寄存器优化，并附带详实的微基准测试数据；(3) 影响范围可控——变更被严格隔离在特定模型的专用模块内，风险低。对于负责模型性能优化或 Triton 内核开发的工程师，此 PR 中的 logits 预算计算、内核参数化以及性能验证方法都具有直接的参考价值。

为 MRV2 模型运行器添加 CUDAGraphStat 传播，提升 CUDA 图可观测性。

建议精读，本 PR 展示了如何在 MRV2 中添加可观测性指标，设计简洁且通过辅助方法保持主路径清洁。关键决策包括条件性创建和元组字段扩展，可为后续指标添加提供参考。

在多模态模型测试中为 GLM-5.3-Flash 添加 XPU 平台跳过逻辑，确保 CI 通过。

该 PR 是一个简单、低风险的测试维护操作，旨在恢复 CI 的绿色状态。虽然改动微小，但其背后的跨平台支持决策和审核过程值得关注。对于普通工程师，无需精读；对于负责 Intel XPU 平台或 CI 管道的工程师，可快速确认跳过逻辑是否符合预期。