vllm-project/vllm

限制转录测试并发数防止 OOM

值得合入，修复 CI 稳定性。也可考虑从环境变量或配置文件中读取该值以提升灵活性。

为 Qwen2.5-VL 启用 ViT CUDA 图支持

该 PR 设计清晰，遵循了已批准的 Qwen3-VL 实现模式。核心决策是将元数据计算与模型前向分离，实现了跳帧和图模式的代码复用。值得关注的是文中对视频修剪与 CUDA 图交互的处理策略（直接禁用），以及通过参数覆盖保证图形状安全的方法。建议阅读 `prepare_encoder_metadata` 和 `get_encoder_cudagraph_config` 的实现。

同步 Gemma4 聊天模板至 HF 最新版，修复格式与工具调用问题

建议合并此 PR，它使 vLLM 的 Gemma4 模板与官方保持同步，并修复了多个已知格式问题。对于大多数人无害，但应关注 turn 标签相关的讨论以防意外。

重新启用 DP/PP 下 allreduce RMS 融合

建议使用 DP 或 PP 的用户仔细阅读本 PR 以了解融合启用条件。对于维护者，这是一个很好的参考案例，展示了如何追踪上游依赖修复并移除临时限制。设计决策上值得学习的是对风险-收益的权衡，未添加版本检查而是信任依赖版本管理。

DeepGEMM 轮子兼容多 Python 版本

值得精读但无需深入。设计简洁，重点关注：1) `USE_SABI` 与 `WITH_SOABI` 的差异；2) 如何通过编译选项隔离 `Py_LIMITED_API` 作用域。

修复 persistent_topk 跨 CTA 初始化竞态条件

值得合并。该 PR 修复了一个真实竞态条件，并且采用了正确的 CUDA 模式（stream-ordered memset）。设计决策清晰，值得参考。

基于 token 数量动态决定 GEMM 多流并行

值得精读，尤其是对 CUDA 多流并行的性能陷阱感兴趣的工程师。核心设计模式——用 token 阈值动态关闭并行叠加——与已有的 `VLLM_SHARED_EXPERTS_STREAM_TOKEN_THRESHOLD`（PR#41443 附近）一致，体现了 vLLM 团队对 GPU 饱和度的工程洞察。建议关注 reviewer 关于一致性覆盖和 `enable` 默认值的讨论。

集成 TileLang 融合核优化 DeepSeek-V4 的 hc_head 计算，减少内存开销，提升吞吐。

值得精读，尤其适合希望了解 TileLang 内核集成流程和写融合核替换 PyTorch 多步操作的工程师。该 PR 展示了设计权衡（参数调优、与现有代码对齐）和性能验证方法。