vllm-project/vllm

修复ROCm gfx950平台Mixture of Experts内核测试失败，涉及API差异、数值稳定性和测试增强。

该PR值得精读，特别是ROCm平台MoE内核的实现细节和数值稳定性技巧。建议关注以下设计决策： - 平台特定回退机制（如C++内核保护）的优雅处理方式。 - FP8量化中乘法替换除法以避免边界误差的通用性。 - 测试中容差放松与诊断增强的平衡，可作为处理硬件差异的参考案例。 工程师可从中学习如何适配多平台API差异和优化数值鲁棒性。

重构 KV 缓存失效处理逻辑，移除了对 num_cached_tokens 的依赖，统一同步与异步加载场景下的令牌计数计算。

对于负责调度器、KV 缓存管理或 KV 连接器模块的工程师，建议快速浏览此 PR 以理解错误处理逻辑的简化方向。重点关注 `req_num_computed_tokens` 的新计算方式及其背后的设计意图（精确反映已计算且已缓存的令牌）。对于更广泛的团队，可以将其视为一个代码清理和统一接口的示例。

将API服务器工作进程函数从CLI模块移至v1 utils模块，优化代码组织。

建议快速浏览以了解代码重构方向，特别是APIServerProcessManager的设计变更。对于新开发者，可作为简单模块化重构案例参考。

重构输入模块，重命名类名并拆分文件以标准化引擎和LLM API输入。

建议技术管理者和工程师精读此PR，重点关注以下设计决策： 1. **模块拆分策略**：如何将输入类型按使用场景（LLM API vs. 引擎）分离，以避免循环导入和提升代码组织。 2. **命名规范化**：从复数到单数的类名变更，以及变量名统一（如 `engine_prompts -> engine_inputs`），体现了类型系统的一致性设计。 3. **多模态输入处理**：移动多模态定义到 `vllm.inputs.llm` 和 `vllm.inputs.engine`，展示了如何整合多模态数据到现有输入框架中。 此外，review中的讨论提供了关于文档和类型安全的最佳实践启示。

集成FlashInfer CuteDSL MoE kernel，支持nvfp4量化和batched activation格式。

建议工程师精读`flashinfer_cutedsl_batched_moe.py`以理解batched MoE实现和review中提到的bug设计；技术管理者应关注CI兼容性风险和版本依赖管理，确保新kernel在目标环境可用。

迁移per_token_group_quant量化内核至PyTorch稳定ABI，更新构建配置和API调用。

面向技术管理者和工程师：此PR值得精读以了解稳定ABI迁移策略和设计权衡。重点关注：1. csrc/libtorch_stable/dispatch_utils.h中的调度宏设计，学习如何适配稳定ABI的调度机制。2. review中讨论的安全漏洞，尽管未在本PR修复，但需在后续工作中评估风险。3. 构建配置变更（CMakeLists.txt）对多平台支持的影响。建议工程师在类似迁移任务中参考此实现模式。

改进 aarch64/DGX Spark 平台开发环境支持，更新文档和依赖条件。

对于在 aarch64 或跨平台环境工作的开发者，此 PR 值得快速浏览以了解正确设置方法。关注 `--torch-backend=auto` 参数的使用和平台依赖条件的设计，这些决策体现了对多架构支持的重视，可作为类似文档更新的参考。

添加针对顶级模型的 torch.compile 启动时间测试，扩展 H100 设备上的测试覆盖。

对于关注编译性能或测试基础设施的开发者，建议精读 `tests/compile/h100/test_startup.py` 以了解参数化测试设计和计数器检查逻辑。关注测试中使用的 `CompilationConfig` 和 `compilation_counter`，这些是验证 vLLM-compile 集成正确性的关键。同时，留意 issue #38051 的后续进展。