vllm剛剛發了一個推：

vLLM官方還把這個專門鉆空子的培訓機構的小紅書拉出來做了英文翻譯

全世界面前丟人現眼了

我也湊熱鬧去看了小紅書，發現好幾個和我一樣看樂子的兄弟留言了

看之前的評論區，更多的是——這是一門生意

投機取巧，丟人顯眼那種

我順著 PR 鏈接進去仔細扒了一遍，從標題到 commit，從描述到測試方案，越看越離譜

PR 看起來「專業到不行」

先說 PR 標題：

? fix(eagle3): read norm_before_fc from eagle_config for NVIDIA checkpoint

修一個 Eagle3 投機解碼在加載 NVIDIA 官方 GPT-OSS 系列 checkpoint 時，norm_before_fc 這個字段被藏在嵌套字典 eagle_config 里讀不到的問題，導致 RMSNorm 被靜默跳過、接受率下降

光看標題就讓人覺得：這哥們兒對 vLLM v1 worker 里的 speculative decoding 模塊門兒清，還順手幫 NVIDIA 兜底，妥妥的核心貢獻者氣質

正文 Purpose 寫得頭頭是道：

• 明確指出問題：NVIDIA 的 Eagle3 checkpoint 把 norm_before_fc 塞在嵌套的 eagle_config 字典里，vLLM 只讀了頂層字段

• 修復方案：先從 eagle_config 讀，讀不到再 fallback 到頂層 attr

• 給了對照：「Same pattern already used for use_aux_hidden_state in the same block」——還知道仿照已有同模式，專業感拉滿

PR 的 Test Plan 直接貼了三段 Python 腳本，分別做：

1. 正確性測試 ：貪心解碼對比 baseline 和 eagle3 輸出是否一致

2. 性能測試 ：單 request 512 tokens 解碼，對比 baseline 和 eagle3 的 tok/s，輸出 speedup

3. 單元測試 ：手動構造 mock config，驗證兩個分支都能正確讀取 norm_before_fc

結尾還來一句：「Tested with Qwen3-32B + Qwen3-32B_eagle3 on 1x H200」

H200！H200 啊老鐵們，整套下來300萬的機器

測試結果也寫得明明白白：

• Correctness: 4/4 greedy 輸出一致

• 性能：baseline xx tok/s → eagle3 xx tok/s

正常 reviewer 看到這個 PR，心里想的是：「問題清晰、修復點小、測試齊全、還在大模型上跑過——閉眼合」

事實上，PR 最后真的就被合了，63 項 CI 全綠，benchislett 直接打了 ready 標簽 merge 進 main

為啥 vLLM 又把人 ban 了

PR 都合了，結果社區有人舉報：這個 PR 解決的根本是個不存在的問題

什么意思呢？

NVIDIA 那批 Eagle3 checkpoint 實際跑的時候根本沒有這個 bug——norm_before_fc 該讀到的地方都讀到了。所謂「RMSNorm 被靜默跳過、接受率下降」是這哥們兒憑空想象出來的，目的就是制造一個看起來很專業、很硬核、但其實改了等于沒改的 PR

為啥要這么做？答案就藏在 vLLM 公告里那六個字——「PR training」workflow for resume building

簡歷注水流水線

套路拆解

我順手翻了下作者的 GitHub 個人頁，自稱是 ZTE（中興通訊）的工程師，做國產 NPU 推理引擎，從編譯到運行時全棧

但是真要去給 vLLM、PyTorch、SGLang 這種頂級開源項目修真問題，門檻極高：

• 得讀懂幾十萬行 C++/CUDA/Python 代碼

• 得復現真實 bug，給出最小可復現樣例

• 得跑得起多卡集群驗證

這門檻對絕大多數人都不友好，但「把簡歷寫上『vLLM core contributor，merged PR 』」這件事，對找工作（尤其是出海大模型崗）極具誘惑

于是這門生意就來了：

1. 培訓機構教你怎么扒 vLLM 的代碼模式

2. 找一處不痛不癢的邏輯分支，偽裝成 bug

3. 用 AI 寫一段看起來很專業的 Purpose + Test Plan

4. 聲稱在 H200 / 8×A100 上跑過 （反正 reviewer 沒法驗證）

5. 等合并，截圖發朋友圈，寫進簡歷

低成本、低風險、高回報——直到撞上 vLLM 這種頂級項目的人肉舉報

這件事的離譜之處

vLLM 這次發飆的真正原因，不是「合了一個錯 PR」（畢竟 PR 真錯了 revert 就行），而是：

? AI coding agents 讓大批量低質量 PR 的生成成本無限趨近于 0，維護者卻要花真金白銀的時間去 review

一個 PR review 哪怕只花 maintainer 半小時，幾百個這種「PR training 學員」一起沖，整個核心團隊就被廢了

更狠的一個數據：vLLM 現在每個月收到的 PR 已經過千，社區還在以指數增長

所以這次 vLLM 不僅把人 ban 了，還順手掛出小紅書的英文翻譯——等于把整個產業鏈曝光給全世界看

給同行提個醒

這事兒對國內開發者的殺傷其實挺大的：

• 簡歷上寫過開源 contribution 的，未來招聘方會按圖索驥去驗證

• 頂級項目對中文社區貢獻者的信任度，被這幫人拉低了一檔

• 真有心做開源的同學，提 PR 反而會被懷疑「是不是又來注水的」

我自己也用 AI coding agent 干活，Claude Code、Codex、Cursor 切著用，效率確實是過去的幾倍

但 AI 是放大器，放大你的真實能力，也放大你的水貨含量

把 AI 當工具，去解決你真正遇到的問題，那是生產力革命

把 AI 當 PR 生成器，去騙簡歷騙 offer，那是把整個開源生態的信任資產燒給你自己取暖