GitLab

V0.15.1 dev w4a8+pp balance

See merge request dcutoolkit/deeplearing/vllm!442

# Conflicts:
#   vllm/envs.py

feat(moe): 支持通过环境变量开启/配置 Qwen3 路由 logits 采集

See merge request dcutoolkit/deeplearing/vllm!441

perf(v1): 增加可选的快速 token-id 拷贝路径

See merge request dcutoolkit/deeplearing/vllm!440

新增 router_capture 工具，用于按 num_tokens/rank 过滤并落盘 MoE router logits
在 Qwen3MoeSparseMoeBlock 中接入采集调用，并在 torch.compile 场景下自动跳过
补充 VLLM_MOE_ROUTER_CAPTURE* 环境变量

  - 新增环境变量 `VLLM_V1_FAST_TOKEN_ID_COPY`（默认关闭）
  - 在 `CachedRequestState` 中缓存 int32 的 prompt token ids（numpy 数组）
  - 开启后在 `InputBatch` 中使用 `np.copyto` 拷贝 prompt/output token ids

Support qwen3 5

See merge request dcutoolkit/deeplearing/vllm!438

支持非deepseek模型使用moe_fused_gate

See merge request dcutoolkit/deeplearing/vllm!439

[feat]支持glm4_moe_mtp使用torch compile，实现mtp cudagraph模式

See merge request dcutoolkit/deeplearing/vllm!436

feat(moe): 补齐 v0.15 中 Marlin W16A16 MoE 端到端接入

See merge request dcutoolkit/deeplearing/vllm!431

接入channel、block triton 及channel-wise marlin

See merge request dcutoolkit/deeplearing/vllm!430

  参考并移植 011/vllm 的关键提交逻辑
  新增 VLLM_USE_MOE_W16A16_TRITON 开关，并接入基于 lightop 的运行时能力探测与启用结果缓存。
  在权重加载后对 w13 与 w2 执行 W16A16 Marlin 预打包。
  W16A16 Marlin 启用时保留 monolithic 执行路径，并在 fused_experts_impl 中增加 packed 权重 fast-path。
  保持 Marlin 或 lightop 不可用时的回退行为不变。

feat：适配Blaslt Channelwise gemm

See merge request dcutoolkit/deeplearing/vllm!426

feat: implement FP8 blockwise GEMM with hipblaslt

See merge request dcutoolkit/deeplearing/vllm!425

[feat]宽松mtp支持temp,top-p等参数设置

See merge request dcutoolkit/deeplearing/vllm!420

[feat]支持prefill和decode调度分离

See merge request dcutoolkit/deeplearing/vllm!419

适配w8a8 deepep,接入lightop版deepgemm

See merge request dcutoolkit/deeplearing/vllm!418

set fp8_e4m3 only supported on nmz and support q&kvcache fp8
set VLLM_PCIE_USE_CUSTOM_ALLREDUCE=1

[feat]支持宽松mtp

See merge request dcutoolkit/deeplearing/vllm!414