用途：在实现适配器前对候选模型做适配可行性分析，确定实现来源、结构特征、逐层加载需求与 MoE 融合权重风险。
适用范围：支持 Decoder-only LLM 及 VLM 文本主干分析（仅 LLM/文本路径）；不支持既非 transformers 也非模型目录内 modeling_*.py 的实现，以及多模态生成模型（图像/视频/语音生成）。
必需输入：模型路径或仓库标识、config.json；可选 modeling_.py、model.safetensors.index.json。若本地缺文件，先补齐：modelscope download --model <org>/<model> --local_dir ./models/<name> --exclude '.safetensors'，再读取 config.json 与 modeling_*.py。
硬门禁：先解析实现来源。读取 config.json 的 model_type 与 auto_map，检查 transformers 是否支持该 model_type 及对应 modeling 文件；否则检查模型目录内 auto_map 指向文件或 modeling_*.py；两者均不可用时停止分析并要求用户提供实现代码。
工作流：解析来源后判断模型类型（纯 LLM/多模态理解/多模态生成）、记录相对常见 Qwen2 的特殊结构（MoE、非标准 attention、SSM/混合块、额外头部或并行分支）及其连接关系；识别 decoder 层类、attention/MLP 命名、forward 签名；评估层遍历路径与顺序、是否需逐层加载、MoE 融合专家权重风险、量化模型反量化脚本风险、MTP 结构可得性与权重风险；输出结构化 Markdown 分析报告并说明后续动作（进入 model-adapt-core 或阻塞）。
MoE 判定：专家按模块/列表展开为非融合；权重以 [..., num_experts, ...] 或 [num_experts, ...] 打包为融合，含 3D 专家权重统一归为融合并标注可能需要 unpack。
报告要素：模型标识、实现来源解析、模型特征与规格、模型类型/结构差异/连接关系、逐层加载评估、MoE 评估、适配影响要点、量化与 MTP 风险评估、风险与后续动作。
风险要求：模型已量化时必须将缺少反量化脚本标为阻塞项并要求用户提供；无法获取 MTP 实现代码时须告知可能无法完整适配、需用户自行复制相关权重；命中任一风险等级不得低于中。
通过标准：来源为 transformers 或 model-local，类型为纯 LLM 或多模态理解模型且报告完整，命中量化/MTP 风险时已给出用户动作要求。失败：来源未解析、不支持的实现类型、多模态生成模型，或量化但无反量化脚本。