vllm-project/vllm

为Flashinfer MLA Sparse attention backend添加FP8 KV缓存支持，实现约14%吞吐提升。

建议技术管理者和工程师精读此PR，特别是关注mla_attention.py中的dtype转换逻辑和flashinfer_mla_sparse.py的backend扩展，以理解fp8 kv cache的设计权衡和性能优化策略。

实现GPU加速的ngram推测解码，并与异步调度兼容，提升推理性能。

该PR值得精读，重点关注GPU kernel的设计（如torch.compile优化和向量化操作）、async scheduling集成中的性能权衡（如内存与速度平衡），以及review中讨论的代码重构决策（如逻辑迁移以减少核心文件影响）。

将 Inductor 编译从懒编译改为提前编译，修复编译时间测量问题并简化编译流程。

建议技术管理者和工程师精读此 PR，特别关注 `VllmBackend.__call__` 和 `piecewise_backend.py` 中的设计决策，如提前编译的实现、内存分配处理以及日志时间测量的权衡，这些对于优化编译流程有重要借鉴价值。

添加 FireRedASR2 语音识别模型支持，扩展 vLLM 多模态功能。

该 PR 值得精读，尤其关注模型如何继承 Qwen2 架构并集成多模态接口（如 SupportsMultiModal 和 SupportsTranscription），以及 review 中讨论的设备无关性和批处理修复，可学习多模态模型在 vLLM 中的实现模式。

重构 MoE 内核框架，引入 monolithic kernel 概念以支持 TRTLLM 内核。

建议技术管理者和核心工程师精读此 PR，重点关注以下方面： 1. **设计决策**：类层次结构从继承转向组合，以及 `maybe_make_prepare_finalize` 的统一接口设计，值得学习。 2. **关键文件**：仔细阅读 `modular_kernel.py` 和 `experts/trtllm_fp8_moe.py`，以理解 monolithic kernel 的实现机制。 3. **测试用例**：参考更新后的测试文件，了解如何适配新接口，确保自身代码的兼容性。

为 Qwen3 VL ViT 视觉注意力添加 Flashinfer cuDNN 后端，提升编码器性能19.3%。

该 PR 值得精读，特别关注：1. 如何为多模态视觉编码器集成新注意力后端的设计决策，包括元数据计算和桶优化策略。2. 从 review 讨论中学习代码重构和模块化最佳实践，例如将通用逻辑移至 MMEncoderAttention 类。3. 性能优化技巧，如避免 cuDNN 图重编译的桶机制，可应用于其他类似场景。