vllm-project/vllm

实现量化模型中注意力缩放权重的层间重载，修复标量权重计数问题。

该PR值得精读，特别是`layerwise.py`中的`_finalize_attention_layer`和`_reload_attention_scales`函数，展示了如何处理注意力层的独特重载逻辑和设计中的顺序权衡。关注点包括：设备放置逻辑的潜在问题、注意力层与线性层的处理顺序依赖，以及标量权重加载修复对计数机制的影響。

将Transformers核心依赖从v4升级至v5.5.3，同步更新相关库并调整代码适配。

建议所有工程师精读此PR，尤其关注`vllm/tokenizers/registry.py`和`vllm/model_executor/model_loader/gguf_loader.py`的变更，它们揭示了Transformers v5在配置加载和状态字典格式上的关键变化。设计决策中关于测试与生产环境依赖分离的权衡值得学习。

动态 BOS 注入修复 Gemma 4 PT 模型重复 token

该 PR 值得精读，尤其是它展示了一个轻量级的条件分支设计：通过检查 tokenizer 的 `chat_template` 属性来适配两种不同模型类型（IT vs PT），避免硬编码假设。建议团队为类似场景（同一个模型架构存在 IT/PT 变体）建立统一的处理模式。

为Nemotron-v3 VL Nano/Super模型添加注册表条目和MTP支持。

该PR值得精读，特别是 `hf_config_override` 函数中的配置提升逻辑，展示了如何在多模态模型中处理推测解码支持；对于需要添加新模型别名的开发，可借鉴注册表和测试的联动模式。

修复NIXL连接器HMA测试中因GPU内存利用率设置过高导致的偶发性失败。

该PR变更简单直接，无需精读。对于工程师，可关注其作为解决CI不稳定性问题的范例：通过微调资源相关参数（如内存利用率）来适应测试环境波动，而非修改核心逻辑。

修复预编译安装时覆盖源码控制FlashAttention接口文件的问题。

该PR值得快速浏览，以了解vLLM构建系统中如何处理预编译安装与源码控制的协调。关注点在于`setup.py`中提取逻辑的设计决策：通过显式跳过集合而非修改正则表达式来排除文件，这提供了更清晰的维护路径。对于负责构建或CI的工程师，此变更展示了如何避免开发环境与预编译包之间的冲突。

向上转换DeepSeek索引器WK权重至BF16以保持融合，提升FP8量化模型性能。

建议核心开发者精读此PR，重点关注`_try_load_fp8_indexer_wk`中FP8反量化与缓冲区同步的实现细节，以及移除`is_fp4_ckpt`后统一融合路径的设计权衡，这对理解vLLM中量化与性能优化交互有较高价值。

修复批量不变性测试中因使用两个引擎导致测试范围超出预期的问题。

该PR值得快速浏览，以了解测试设计中的常见陷阱（如使用多个独立组件测试不变性可能导致范围溢出）。对于工程师，关注点在于如何正确设计批量不变性测试：应使用同一组件在不同配置下运行，而非创建多个实例。无需深入阅读源码，但可参考变更学习测试重构技巧。