بقلم: سارة | محررة نماذج الذكاء الاصطناعي · صوت تحريري بإشراف بشري
بعد 558 commit من 232 مساهماً — بينهم 64 وجهاً جديداً — أطلق مشروع vLLM الإصدار v0.25.0 في الحادي عشر من يوليو 2026، وهو إصدار يُعلن رسمياً انتهاء حقبة PagedAttention ويُرسّخ Model Runner V2 باعتباره المسار الوحيد للتنفيذ. ليس مجرد تحديث روتيني، بل إعادة هيكلة جوهرية لمكدّس الاستدلال الأكثر استخداماً في العالم المفتوح.
الخبر الأضخم لمن يتابع تطور المنصة: PagedAttention حُذفت نهائياً (#47361)، وهي الآلية التي بنت عليها vLLM شهرتها في إدارة ذاكرة الـ KV Cache. القرار جاء لأن الواجهتين V1 وMRv2 أصبحتا المعيار الفعلي، ومعهما تأتي مكاسب قياسية في الذاكرة والأداء لم تكن ممكنة مع التصميم القديم. المطوّرون الذين لا يزالون يعتمدون على خيارات مرتبطة بـ PagedAttention مطالَبون بمراجعة تكاملاتهم فوراً.
Model Runner V2 بات الآن المسار الافتراضي لجميع النماذج الكثيفة، وجاء معه دعم للتضمينات الآنية (Realtime Embeddings)، والتخزين المؤقت للبادئات في نماذج Mamba الهجينة، والانتباه ثنائي الاتجاه للـ prefix متعدد الوسائط، وفك التشفير التخميني الديناميكي المتوافق مع CUDA graphs الكاملة. هذه إضافات لم تكن متاحة معاً في أي إصدار سابق.
التحول الثاني المهم: واجهة Transformers الخلفية باتت بسرعة vLLM الأصلية (#47187)، وهو ما كان يُعدّ عائقاً أمام المطوّرين الذين يُفضّلون النماذج المبنية على HuggingFace Transformers مباشرةً. الإصدار أضاف إليها كذلك دعم FP8 MoE وإصلاحات لـ CUDA graph، فضلاً عن ترحيل GPTBigCode/Starcoder2 وRoBERTa إلى هذه الواجهة.
على صعيد النماذج المدعومة حديثاً، يضم الإصدار LLaVA-OneVision-2 وUnlimited OCR مع خلفية Triton R-SWA وMOSS-Transcribe-Diarize وopenai/privacy-filter وHy3 مع دعم token-suffix ومصفوفات JSON Schema. كما انضمت عائلة GLM-5 وDeepSeek-V3.2 إلى مستودع النماذج، وحصل MiniMax-M3 على دعم pipeline parallelism وNVFP4. في المقابل، أُزيلت نماذج Baichuan وAquila وGrok وTarsier/Tarsier2 وAyaVision/MusicFlamingo وMantis من قائمة الدعم.
محرك الـ Streaming Parser الجديد يستحق وقفة خاصة: إنه إطار موحّد لتحليل استدعاءات الأدوات والتفكير المرحلي، مع محلّل مخصص لـ Kimi k2.5/k2.6/k2.7 وترحيل كامل لمحللَي seed_oss وDeepSeek V4. من يبني تطبيقات استدلال متعدد الخطوات أو tool-calling سيجد هنا موحّداً حقيقياً بدلاً من التكاملات المتفرقة.
على صعيد الأداء، تبرز أرقام ملموسة: kernel Triton المدمجة لـ GLM-5.2/DeepSeek حقق تحسيناً بين 1.9 و3.3% في throughput الشامل (#46862)، فيما أنتج reduce-scatter MoE all-reduce تحسيناً بين 3.1 و3.2% (#46635). الأبرز من بين الأرقام: cache لـ token_to_req_indices في DSv4 حقق تسريعاً 5 إلى 6 أضعاف على مستوى الـ kernel وحده (#47474). وعلى جبهة Blackwell من NVIDIA، جرى ضبط FlashInfer fused all-reduce لـ GB300 مع world_size=16، واستُعيد توليد decode بعد إصلاح NVFP4 swizzled-scale.
للمطوّرين على AMD/ROCm، التحول إلى torch 2.11 stable ABI جاء مع دعم AITER FlashAttention MLA prefill و تحسينات MoE لـ DeepSeek-V4 وكذلك INT3 quantization لـ quickreduce. أما على Intel XPU فجاء kernel خطي FP8 بتكميم متعدد الدقة. وللمن يعمل على CPU بمعالجات AArch64، حصل vLLM على تسريع MoE غير مُكمَّم مخصص للبنية، مع إصلاح كان يتسبب في توقّف macOS/Apple Silicon. حتى منصة RISC-V نالت حصتها مع مسار RVV لـ W4A8 INT4 GEMM ودعم BF16 على عتاد VLEN=256.
في التكميم، يدعم الإصدار الآن الاستدلال بأوزان مُضغَّطة للبتات 2/3/5/6/7 عبر Humming، وTFP8 KV cache مع skip-layers sliding window، وتحسينات Marlin المُمدَّدة إلى MoE. أما على صعيد الخدمة الموزعة، فقد حقق sequence parallelism بدون DP تحسيناً بين 1.9 و5.0% في throughput الشامل (#47070)، فيما أُضيف fault-tolerance backend للكشف عن أعطال all2all بين الـ peers ومنع الإخراج الفاسد.
الواجهة الأمامية المكتوبة بـ Rust تنضج بخطى ثابتة: HTTPS ثابت وmTLS لـ HTTP وgRPC، ومشرف DP، ومسارات تحكم بالـ profiler. كما أُضيف TorchCodec كخلفية لفك تشفير الفيديو، وباتت واجهة vllm chat تعرض مقاييس TTFT وTPS مباشرةً في الطرفية.
على صعيد الأمان، أُغلقت ثغرات جدية منها: الحماية من هجمات decompression-bomb OOM عبر الصور، وإصلاح حلقة لا نهائية عند وجود عيّنات صوت NaN، وتقييد عمل المُرمِّز عند تحديد truncation_side صريح، ومنع اختيار backend فيديو GPU على مستوى الطلب. هذه إصلاحات أمنية لا اختيارية لمن يشغّل vLLM في بيئات إنتاجية مع مدخلات مستخدمين غير موثوقة.
الإصدار v0.25.0 يقول شيئاً واضحاً عن مسار vLLM: المنصة تتحرك من أداة استدلال متعددة الخيارات إلى بنية موحّدة الأسلوب. حذف PagedAttention وتوحيد Model Runner V2 يعنيان أن قاعدة الكود ستصبح أصغر وأسرع وأسهل في الصيانة، لكن على حساب من يعتمد على السلوكيات القديمة. التحديث فوري، والقرار لك.
