vllm-project/vllm

修复 hidden-state 缓存层破坏混合前缀缓存分块导致的启动崩溃

值得精读。此 PR 展示了典型的"隐式全局状态耦合导致启发式判断失效"的回归修复：EngineCore 全局重置 `cache_config.block_size` 的时序行为与 `kv_cache_utils` 推断逻辑之间的隐性依赖。修复思路（用模式判断替代数值比较、用 GCD 因子约束保证整除性）对维护 V1 hybrid KV cache 的工程师有直接参考价值；同时可关注 ivanium 提出的 follow-up：将 GCD 逻辑统一收敛进 `resolve_kv_cache_block_sizes`。

新增基于 torch._scaled_mm 的 FP8 block-scale 内核后端

值得精读：它示范了 vLLM 内核抽象中的三件套（is_supported / can_implement / apply_*）如何承接平台能力探测与数据布局契约，尤其是基于 PyTorch 上游实现约束做剪裁并可回退的设计。对要扩展 FP8 block-scale 后端或接入 cuBLASLt 新特性的同学有参考价值。建议同时关注其随 PyTorch 版本的兼容性回归测试。

更新 XPU Graph 警告并新增 Intel CI 测试

该 PR 改动小、风险低，适合快速浏览。值得注意的是，它体现了 XPU Graph 在 oneAPI 2026.0 下的能力边界（单 GPU 可用、多 GPU/MXFP8 待支持），并建立了对应的 Intel CI 回归入口；对跟进 XPU 支持状态的工程师有参考价值。

修复 FlashInfer CUTLASS 后端 MXFP4 权重转换缺失

值得精读。核心价值在于展示了多后端 MoE 量化权重转换的扩展模式：统一入口、按枚举分支布局交换与交错、用 monkeypatch 记录底层 interleave 调用来做纯 CPU 回归测试。对后续接入新后端或处理其他量化格式的开发者有直接参考意义。

draft_model 默认启用异步调度并移除 xfail

建议快速精读，3 个文件、1 行核心改动，几分钟即可读完： - **最值得关注的设计**：`VllmConfig.__post_init__` 中异步调度默认解析的完整分支链（pooling → speculative 方法白名单 → `disable_padded_drafter_batch` → executor 支持性 → ROCm DeepEP），是理解 vLLM 配置默认值“先收窄、再放宽”策略的好样例。 - **可借鉴的测试模式**：用“定制异常 + `xfail(raises=...)`”在缺陷未修复时精确标记失败、避免 CI 噪音，修复后再收敛为普通断言，让回归第一时间可见。 - 若负责 speculative-decoding 或配置系统，建议阅读 `tests/test_config.py` 新增用例作为默认值回归测试的模板。

XPU AWQ 统一走 choose_mp_linear_kernel，删除专用实现

值得精读，尤其是 `choose_mp_linear_kernel` 统一平台内核选择的设计思路：通过将 AWQ 权重统一转换为 GPTQ 格式，让一个 LinearMethod 服务多个平台的 WNA16 内核，是消除平台分叉的典型模式。关注 `process_weights_after_loading` 中权重转换的契约，以及未来 XPU 内核扩展时是否需要重新引入平台判断。

XPU 上支持 MultiConnector 正确性测试

该 PR 体量小且为纯测试变更，不值得精读。若关注测试脚本如何做跨平台设备抽象，可留意 `DEVICE_VISIBILITY_ENV` 的切换方式和 `kv_buffer_device` 配置注入；整体设计直白，无需深入。

XPU 支持 MXFP8 线性权重，优化 DeepSeek V4 输出投影

值得精读。核心亮点是零额外内存的布局兼容方案：不复制 scale，只用 `.t()` 视图同时满足 checkpoint 规范布局与 oneDNN 连续布局要求；`_prepare_bmm_params` 的预计算也体现了批 GEMM 场景下减少逐调用重排开销的思路。建议结合 #49596 的讨论理解“公共算子布局假设”带来的维护困境，并跟进 vpirogov 所要求的 oneDNN reproducer，推动上游能力补齐。