vllm-project/vllm

在AMD ROCm平台集成aiter GEMM内核，优化FP8推理性能。

建议工程师精读此PR，重点关注内核选择逻辑（如`can_implement`方法如何实现条件分发）以及权重处理流程。这对于理解ROCm平台性能优化和量化内核集成有重要参考价值。

修复概率拒绝采样器中num_sampled张量数据类型不匹配导致的Triton编译错误。

该PR值得快速浏览，重点关注数据类型一致性在GPU内核交互中的重要性。虽然变更简单，但揭示了在混合Python/Triton代码中类型匹配的常见陷阱，可作为类似问题的参考案例。

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。