（五）版本演进时间线：2026 年 7 月的两轮换代

1. 全景时间线

2026 年 7 月是这两个引擎近年变化最密集的一个月：两家几乎同步完成了一轮架构换代，又几乎同日发布了下一个版本。

图 1：两条产品线在 7 月的节奏几乎完全同步，说明它们面对的是同一批瓶颈。

2. vLLM 演进详解

2.1 v0.25.0（7/11–7/12）：架构换代

这是跨度最大的一次升级，四件大事：

变更	PR	含义
Model Runner V2 成所有稠密模型默认	#39337	async-first、零 CPU-GPU 同步、step N 与 N+1 重叠
移除 PagedAttention	#47361	抽象下沉到注意力后端 kernel，分页机制本身保留
Transformers v4 弃用	#40389	必须迁移到 v5
Transformers backend parity	—	HF 有实现的新架构 Day-0 全速服务

配套还有：统一流式解析引擎（#46610）、DeepSeek V4 Pro 的 DSpark 投机解码原生支持（8×B300 约 250 tok/s，比 MTP 高 12–42%）、异构词表通用投机（#38174）、thinking-budget 感知投机（#34668）、编译要求提到 C++20。

性能特征：MRv2 的收益在中小 batch最明显——也就是真实 Agent 流量所处的区间。如果你只跑大 batch 离线任务，感知会弱很多。

2.2 v0.25.1（7/14）：两个 commit 的必打补丁

发布后两天就出补丁，因为发现了一个静默正确性 bug：

#48330 混合 dtype 量化融合守卫：FlashInfer 的 allreduce + RMSNorm + static-quant 三合一融合核，在激活为 BF16、RMSNorm 权重为 FP32 时 dtype 不一致，把 4-bit NVFP4 读成了错误位模式 → 隐状态损坏 → 输出退化成重复的 !!!!!。修复加 dtype 匹配守卫：不一致走安全路径，一致时保留融合。
#47888：TorchCodec 缺 FFmpeg 时不再阻塞启动。

跑 NVFP4（Gemma4 / Qwen 系 / GLM-5.2 等）的服务，0.25.0 必须升到 0.25.1。这个 bug 不报错、不崩溃，只是悄悄输出乱码——线上很容易漏掉。

2.3 7/18–7/25 主分支：稳定性收尾

0.25 是大改动，随之而来的是一波边缘配置修复：

PR	修什么
#48524	DFlash 层尺寸在 `num_target_layers ≠ num_hidden_layers` 时算错
#49302	可中断分段 CUDA Graph 下 DSA 崩溃
#48843	全量 CUDA Graph 捕获前未设 `graph_pool_id`
#49306	FA4 JIT 预热时 MLA 回退
#48860	KV Connector 延迟请求时前缀缓存指标重复计数
#49292	Qwen3-VL 在 Transformers 后端的 M-RoPE
#49190	Cosmos3 Edge 视频模型
#48816	GPTQ 量化 Qwen3.5 开投机解码时 MTP 权重加载错误
#42569	FA4 在 SM100（Blackwell）新增 FP8 KV cache 支持
#48683	ROCm 升 AITER v0.1.16.post5
#45991	XPU 新增 DeepSeek-V4 `fuse_index_q` SYCL 路径
#49244	移除旧 partial-prefill 参数
#48914 / #49427	FlashInfer 升 0.6.15；恢复 `dequant_cache` 越界守卫

vLLM 主分支 6 月日均合入约 64 个 commit。这个速度意味着：生产环境必须锁定 release tag，不要跟 main；升级前跑完整回归。

2.4 v0.26.0（7/25）

grammar 失败不再让引擎崩溃：结构化输出解析失败改为单请求报错，不影响其他请求；
前缀缓存命中率报告：可观测性补齐；
NVFP4 需要 FlashInfer：依赖关系明确化；
部分启动 flag 更名：升级需检查启动脚本。

2.5 7/29–7/31：转向生产部署

版本节奏放缓后，重心转到落地：

GLM-5.2 生产部署方案：NVFP4 + MTP + P/D 组合。IndexerCache 提升 MTP 接受率，PCP（上下文并行）把 prefill 吞吐从 20.1k 提到 27.3k；
P/D 二级缓存 TieringManager（PR #42285）；
异步 KV 加载前瞻修复（PR #46694）；
第 27 周周报主题：PD 解耦走 ZMQ + NIXL、Rust 协议重构。

3. SGLang 演进详解

3.1 v0.5.15（7/10）：零开销 Spec V2

特性	说明
零开销 Spec V2 默认	draft-extend 做成 CUDA-graph 可捕获，砍 D2H/H2D，融合元数据 → 端到端 +约 11% TPS
IndexShare MTP	草稿步复用目标模型的 DSA top-k 索引，长上下文草稿成本降 ~1.9×
Breakable CUDA Graph 默认	图可中断，兼顾图收益与调度灵活
MLA context parallel decoding	DeepSeek 系 MLA 架构的上下文并行解码
FlashInfer all-to-all MoE routing	MoE 路由走 FlashInfer
原生 web search	内置检索工具

同时修复了 0.5.5–0.5.12 的多模态路径穿越漏洞（GHSA-qwrp-wghp-94q2）。

3.2 v0.5.15.post1（7/14）：GLM-5.2 调优

配合 lmsys 官方博客《GLM-5.2 NVFP4 500 TPS》发布：

Spec V2 默认 +11% TPS
IndexShare MTP 复用 top-k → 降本约 1.9×
TopK-V2（Lightning-TopK）：用”选择”替代”完整排序”，优化 80k 级超长输入
结果：Blackwell 上 GLM-5.2 NVFP4 跑到 500+ tok/s/user

跑 GLM-5.2 的团队应锁 post1。

3.3 7/18–7/23 主分支：投机解码持续打磨

PR	内容
#31468	DFlash 去除投机解码每步 host 同步——CPU 领先 GPU 一整步（pipeline），分支逻辑改为可被 CUDA Graph 捕获
#31487	减少 prefill CUDA graph 填充
#31986	DSpark 稠密草稿每层 ctx KV 投影堆叠为单个大 GEMM
#31985	经 `forward_embed` 把草稿 embedding 折叠进草稿图
#31682	DP attention 默认开 breakable prefill cuda graph
#31981	DSA draft-extend 元数据内核跳过超 KV 长度的 page-table 列
#30272	SM120 上 DeepSeek V4 flashinfer_mxfp4 MoE + TP2（消费级 Blackwell）
#24013	VLM 跨请求 ViT 编码批处理（多模态并发提效）
#31825	ModelOpt FP4 路径支持 NVFP4_AWQ
#31762	修 marlin_nvfp4 的 `routed_scaling_factor`
#30924	统一 per-token-group 量化内核
#30540	新增 HPC-Ops attention 后端
#31109	移除 QServe 与 FBGEMM FP8 量化（旧路径需迁 ModelOpt / compressed-tensors）
#32047	修过期 per-token-group 量化调用方；`evict_from_tree_cache` 改为只驱逐 KV 缺口
#27894 / #31835	NIXL 分离功能测试进 CI；PrefillDelayer 推迟到 KV-budget 准入后

把 #31468、#31986、#31985 连起来看，是一条非常清晰的主线：把投机解码里所有"每步都要回 CPU 问一下"的地方逐个消灭，把碎 kernel 合并成大 kernel，最终让整步进 CUDA Graph。省的都是加速器空转，不是算力。

3.4 v0.5.16（7/25）：UnifiedRadixTree

UnifiedRadixTree 成为默认前缀缓存——统一此前分散的多种缓存路径（普通前缀缓存、分层缓存、PD 场景缓存），命中与淘汰逻辑收敛到一棵树。

3.5 7/29–7/31

PR #30747 修 PP（流水线并行）+ 结构化输出崩溃（Issue #28424）。根因：调度与约束逻辑并发抢状态；修复：约束校验与 micro-batch 边界对齐。
PR #30440 grpc disaggregated generation。

4. 升级检查清单

从这一个月的踩坑里，能提炼出一份实用清单：

vLLM 0.24.x → 0.25.x/0.26.x

直接上 0.25.1 或更高，别停在 0.25.0（NVFP4 静默乱码）
transformers 升到 v5
编译环境支持 C++20
检查是否用了自定义算子（可能回退 MRv1，拿不到收益）
检查 partial-prefill 相关旧参数是否被移除
0.26 起检查启动 flag 是否更名；NVFP4 确认装了 FlashInfer
跑一遍输出正确性回归，不要只看吞吐

SGLang 0.5.x

低于 0.5.15 的版本必升（多模态路径穿越漏洞）
跑 GLM-5.2 锁 v0.5.15.post1
用过 QServe / FBGEMM FP8 的迁到 ModelOpt / compressed-tensors
想要 DSpark / DFlash 最新优化 → 需要 main 分支，但生产等稳定 tag
同时开 PP + 结构化输出的，确认包含 #30747

5. 从时间线里能读出什么

两家节奏高度同步：0.25.0（7/11）vs 0.5.15（7/10），0.26.0 vs 0.5.16（同为 7/25）。说明它们面对的是同一批瓶颈，而不是各自造轮子。
大版本之后必有一波修复潮：0.25.0 之后一周内出补丁，随后两周密集修边缘配置。新版本发布后等 1–2 周再上生产是理性选择。
主分支和 release 的差距很大：SGLang 的前沿优化（DSpark GEMM 堆叠等）都在 main，稳定 tag 会滞后。要性能就跟 main 并自己压测，要稳定就锁 tag。
主轴在迁移：7 月上旬是”消灭同步停顿”，7 月下旬同日发版后，主轴转向投机解码 + 前缀缓存 + day-one 模型支持 + 生产部署。

下一篇是最实用的一篇：支持哪些模型、什么场景选谁。