执行摘要

• 一句话：升级 sglang 至 v0.5.12.post1，更新 Docker 与 CI 配置。
• 推荐动作：建议关注 sglang patch 中关于 bootstrap 超时和内存占用释放的实现，这是提升分布式推理稳定性的关键改动。gpu_lock_exec 的重写模式可在其他类似工具中复用。

功能与动机

升级 sglang 版本以获取新功能（如 DeepseekV32ForCausalLM 支持、disaggregation 改进等），同时保持与 slime 框架的兼容性。现有的 patch 基于旧版本开发，需要针对 v0.5.12.post1 进行适配，因此同步更新补丁。此外，修复了测试过程中发现的 checkpoint 保存/加载路径硬编码问题，并增强 GPU 锁脚本的健壮性。

实现拆解

1. 版本升级与补丁同步：修改 docker/Dockerfile 和 docker/version.txt 将 sglang 版本指向 v0.5.12.post1。重新生成 docker/patch/latest/sglang.patch 和 docker/patch/latest/megatron.patch，主要变更包括新增 KVArgs.aux_buffer_names 字段以支持辅助缓冲区名称传递，为 DecodePreallocQueue 添加 release_memory_occupation/resume_memory_occupation 方法以支持内存占用释放与恢复，以及添加 bootstrap 超时机制（SGLANG_DISAGGREGATION_TRANSFER_TIMEOUT 环境变量控制）。
2. Checkpoint 测试参数化：修改 tests/test_qwen3_4B_ckpt.py，将原先硬编码的 checkpoint 目录改为根据 --save-optimizer 和 --load-optimizer 参数动态生成，新增 default_checkpoint_dir 和 optimizer_args 函数。execute 函数新增 optimizer 和 checkpoint_dir 参数，支持四种优化器放置组合（save cpu/load cpu 等）。
3. GPU 锁执行器重写：重写 tests/ci/gpu_lock_exec.py，将原有的 os.execvp 调用替换为 subprocess.Popen 管理的子进程。新增信号处理器 terminate_child，在收到 SIGINT/SIGTERM/SIGHUP 时先尝试优雅终止子进程，超时后发送 SIGKILL，确保锁文件被 finally 块释放。新增 _normalize_returncode 正确转换被信号终止的返回码。同时移除了 FdLock.open 中对 os.set_inheritable 的调用。
4. CI 工作流调整：在 .github/workflows/pr-test.yml 及模板 .github/workflows/pr-test.yml.j2 中，为 e2e-test-ckpt 和 e2e-test-train 工作流增加了针对四种优化器组合的测试条目，并移除了原有的单一 test_args 空测试。所有 docker run 指令添加 --pull=always 参数。

关键文件：

• docker/patch/latest/sglang.patch（模块 SGLang补丁；类别 test；类型 test-coverage；符号 _get_logits_head_gate, _sync_fwd_experts_buffer_DtoH, capture, get_routed_experts）: 升级 sglang 版本后必须同步更新补丁，以适配新版 API 变化；本文件是 patch 核心，包含 bootstrap 超时、aux_buffer_names 等关键改动。
• tests/test_qwen3_4B_ckpt.py（模块 检查点测试；类别 test；类型 test-coverage；符号 prepare, default_checkpoint_dir, execute, optimizer_args）: 重构 checkpoint 测试以支持优化器放置参数化，覆盖四种组合，提升测试质量。
• tests/ci/gpu_lock_exec.py（模块 GPU锁；类别 test；类型 test-coverage；符号 _os_execvp, _run_command, terminate_child, _normalize_returncode）: 重写 GPU 锁执行器，将 execvp 替换为 subprocess，添加信号处理以确保锁释放。
• docker/patch/latest/megatron.patch（模块 Megatron补丁；类别 test；类型 test-coverage）: 同步 megatron 补丁以适配新版本，增加 disable_grad_buffers_cpu_backup 参数和 checkpoint 加载容错。
• .github/workflows/pr-test.yml（模块 CI配置；类别 infra；类型 infrastructure）: CI 配置变更：添加 --pull=always，扩展 ckpt 测试矩阵涵盖四种优化器组合。
• .github/workflows/pr-test.yml.j2（模块 CI模板；类别 infra；类型 infrastructure）: CI 模板同步更新，增加 ckpt 测试条目和 --pull=always。
• docker/Dockerfile（模块 Docker构建；类别 infra；类型 infrastructure）: 指定 sglang 新版本镜像标签。
• docker/version.txt（模块 版本记录；类别 docs；类型 documentation）: 记录更新后的版本号。

关键符号：_get_logits_head_gate, _sync_fwd_experts_buffer_DtoH, capture, get_routed_experts, SenderWrapper, init, init_weights_send_group_for_remote_instance, _unload_lora_adapter_locked, prepare, default_checkpoint_dir, execute, optimizer_args, _os_execvp, _run_command, terminate_child, _normalize_returncode

评论区精华

本 PR 为单作者自主合入，无公开讨论记录。

• 暂无高价值评论线程

风险与影响

• 风险：
  1. sglang 版本升级可能引入与现有模型（如 DeepseekV3、GlmMoe）的兼容性问题，需通过 CI 验证。
  2. patch 中新增的 bootstrap 超时机制依赖于环境变量，若未设置默认 600 秒，可能过长或过短，需要用户自行调优。
  3. gpu_lock_exec 从 execvp 改为 subprocess 后，进程组管理变化，若存在遗留的锁文件可能干扰。
  4. checkpoint 测试矩阵扩展增加了 CI 执行时间，但降低了遗漏风险。
     - 影响：对用户：Docker 镜像将基于新版 sglang，所有依赖 sglang 的 rollout 将受影响；但补丁向后兼容性良好。对系统：GPU 锁脚本更健壮，不再因子进程被杀死而泄漏锁。对团队：CI 覆盖更全面的 checkpoint 场景，便于早期发现优化器放置相关 bug。
     - 风险标记：底层版本升级, 补丁兼容性, 测试覆盖扩展, 子进程管理模式变化

关联脉络

• PR #1946 Add backward compatibility to delta weight updation: 本 PR 升级 sglang 版本后需同步更新 delta weight 相关补丁，保持兼容性。
• PR #1806 feat: delta weight sync (disk + nccl transports): 该 PR 引入了 delta weight 同步功能，依赖特定的 sglang 补丁，本 PR 的升级需确保补丁一致。
• PR #1924 Reduce host memory with upgraded tms: 同为 Docker 镜像升级 PR，涉及 torch_memory_saver 版本管理，与本 PR 共同推进基础设施更新。