vllm-project/vllm

在线 NVFP4 打包改为逐专家直接量化，去除中间舍入损耗

值得精读。这是一个很小的修复，但演示了两个关键工程判断：第一，量化链路上每个中间 cast 都是精度损失点，'fold 后先 cast 回原 dtype 再量化' 与 '直接把 FP32 scale 传给量化内核' 在数学上等价、位模式上不等价；第二，用 bit-for-bit 一致性测试把这类隐性精度问题锁死。建议同时参考 aoshen02 的基准方法（f32 复现量化器、302M 元素 dequant 误差比较）和 #51125 的 w13 shard 分配分析。

注册 XPU fp4_gemm fake kernel，修复 torch.compile 图形中断

值得快速翻阅：改动虽小，但它是理解 PyTorch fake/meta kernel 注册机制的典型样例，尤其适合需要维护自定义算子与 `torch.compile` 兼容性的开发者。建议关注它与真实核函数在 shape/dtype 语义上的一致性，未来若扩展算子布局可参考此处的注册模式。

CPU 新增 MLA 后端，DeepSeek-V2/V3 可在 CPU 运行

值得精读。重点关注三处设计决策：① 如何通过继承 `MLACommonBackend/Impl` 复用共享 MLA 脚手架，同时用 "跳过父类 `__init__` + 手动复制属性" 规避 GPU kernel 依赖；② 将 CPU 专属的 KV cache 写入逻辑内联进 `do_kv_cache_update` 而非污染公共算子；③ ARM 与 x86 在 `Vectorized<float>` 默认构造语义上的差异如何导致隐性 bug。该 PR 也是后续 CPU MLA 性能优化的起点。

MTP 场景让 skip_topk 生效，跳过 Indexer 冗余计算

值得精读。该 PR 虽然改动极小（几个 if 条件），但揭示了 MTP 推理中如何通过标志位复用 step 0 计算结果、消除冗余内核调用的设计模式。对于理解 GLM/DSv3.2 的 MTP 实现和 vLLM 中模型层性能优化的手段有参考价值。建议结合 PR body 中的 benchmark 脚本和关联 Issue 了解完整优化脉络。

DSA decode 内核接入 PDL，重叠启动延迟提升吞吐

值得精读。这是一个把 CUDA 新特性 PDL 同时落到 Triton 与原生 CUDA 两种内核体系的最小但完整范例：Triton 侧展示了 constexpr 门控 + `gdc_wait()` / `gdc_launch_dependents()` + `launch_pdl` 的用法，CUDA 侧展示了 `cudaLaunchKernelEx` + `cudaLaunchAttributeProgrammaticStreamSerialization` 的标准写法。最有价值的设计决策是门控只依赖 `is_arch_support_pdl()` 而非叠加 sm100 判断（review 推动），以及与 #49792 冲突时选择保留 CuTeDSL 主路径、PDL 落到 Triton fallback 的分层策略。若不在 Blackwell 硬件上开发，可快速浏览即可。

仅在当前设备时同步 CUDA，避免无谓同步提升性能

值得精读，因为它展示了如何通过简单的检查避免性能陷阱，并包含了关于 torch.cuda.synchronize 语义的讨论。适合关注性能优化的工程师学习。

HPC 注意力后端支持 bf16 KV cache 配合 FP8 权重

值得精读 `vllm/v1/attention/backends/hpc_attn.py`，重点看 `hpc_kv_written` 信号与 `_dynamic_sched` 兼容设计；对要扩展自定义 attention 后端的开发者有借鉴意义。合并前建议至少补一个 bf16 KV cache 的 e2e 或单元测试。

补 ROCm AITER add-RMSNorm 死残差融合，重构稳定性测试

值得精读。核心亮点是：通过继承既有 pattern 并只取第一个输出，用约 30 行代码补齐一个生产覆盖缺口；测试设计（四个独立融合站点 + 宽松 FP8 包络 + 严格 bf16 断言）可作后续融合测试模板。对 ROCm 编译路径维护者有直接参考价值，评审中端到端精度验证的答复方式也值得借鉴。