vllm-project/vllm

新增 MiniMax M3 模型支持，覆盖多模态与稀疏注意力

建议架构师和模型集成工程师精读本 PR，尤其是平台隔离的设计模式（`amd/` 与 `nvidia/` 分离）和 MXFP8 内核选择器（原生 vs 模拟）的 fallback 机制。对于需要支持 MiniMax M3 模型的团队，建议优先采用 MXFP8 原生路径（如 AMD gfx950）以获取最佳性能。注意导入兼容性问题可能需要后续 patch 修复。

修复 is_layer_skipped 未处理 fused name 直接匹配的回归

值得精读，特别是参与量化或模型配置的开发者。本 PR 清晰展示了如何处理量检查点格式兼容性问题，设计决策明确：优先检查 fused name 自身匹配，再 fallback 到 per-shard。测试代码详尽，可作为类似场景的参考。

合并推理与工具解析器属性为统一Parser

建议阅读，该 PR 展示了如何通过合并冗余属性简化前端服务层代码。值得关注的设计决策是：利用 `Parser` 对象同时封装推理解析器和工具解析器，并通过属性暴露子解析器，避免了多次调用 `ParserManager`。此种组合模式在需要统一多个子功能时可参考。

修复跨组前缀缓存命中的物理块重复分配问题

值得精读。此 PR 展示了一个关键的数据竞争修复，设计决策（将跨组依赖提升到协调器层、两阶段分离、基于 `num_cached_block` 的守卫）具有良好的启发意义。对于维护 KV cache、调度器或分布式前缀缓存的开发者，理解此变更能帮助他们避免类似的跨组分配问题。

Triton注意力后端新增KV缓存dtype架构检查，提前报错替代隐式崩溃

本PR是一次有价值的防御性编程改进，尤其适合需要支持多代GPU的部署环境。建议关注Triton注意力后端的开发人员仔细阅读`TritonAttentionImpl.__init__`中的架构门控模式，该模式可复用其他需要硬件版本检查的场景。

修复MXFP4 MOE CUTLASS kernel中E8M0 scale计算错误，恢复约78%量化精度损失

建议：值得精读。该 PR 不仅修复严重 bug，还提供了深入的分析和全面的测试。对于涉及量化 kernel 开发的工程师，建议仔细阅读 PR body 的数学推导和 `nvfp4_utils.cuh` 中的注释。测试文件中的 `compute_reference_e8m0_scale` 可作为跨平台参考实现。

音频上传完全读入内存前提前检查大小限制

此 PR 值得所有使用语音 API 的用户关注，建议合并。其设计简洁有效：双重检查（Content-Length + 分块读取）提供了最佳防护；使用已有常量和异常类型保持代码一致性；测试全面覆盖边界和内部行为。对于其他需要上传限制的场景，该模式可直接复用。

取消DiffusionGemma的max_new_tokens硬限制

简单明确的 bugfix，值得合并。无精读必要，但值得注意其设计思路：选择用 `None` 覆盖键值以跳过默认约束，而非直接修改 HF 配置或硬编码大值，保持了灵活性。