THUDM/slime

融合 PPO logprob/entropy 计算，减少 allreduce 一半

建议团队成员精读 `_VocabParallelLogProbEntropy` 的 autograd 实现，作为融合通信的工程模式；同时也值得检查 CI 中新增的两个测试是否运行正常，确保数值稳定性。对于需要优化 PPO 训练性能的场景，此 PR 提供了解耦可复用的参考。

修复空 colocated weight buckets 导致 crash 的问题

该 PR 修复了一个重要的分布式同步 Bug，设计简洁且测试覆盖良好。建议合并后团队关注相关路径（`update_weight_from_tensor.py`、`update_weight_from_distributed.py`）是否存在类似假设，预防回归。同时，新增的单元测试值得作为后续类似功能的参考。

新增 Gemma4 密集型和 MoE 模型完整支持

该 PR 设计质量高，实现完整，测试覆盖全面。建议精读以下设计点：① `Gemma4Router` 中 renormalise-then-scale 的顺序决策（与 HF 一致）；② `DualRotaryEmbedding` 拼接而非元组的设计理由；③ `_Gemma4LogitSoftcap` 使用 autograd Function 实现就地 softcapping；④ 通过 hook 而非子类化注入模型行为的选择。这些决策值得在其他模型支持中借鉴。

修复 top_p mask 性能问题

此 PR 为针对性的性能修复，改动量小且准确。建议相关人员了解该条件判断的引入原因，以便在 sglang 上游版本升级时同步。

修复 Megatron 服务器并行 update_from_disk 问题

值得精读，特别是锁和 future 的使用方式。建议在后续 PR 中补充对应的并发测试。

新增 SWE_AGENT 环境变量支持选择 agent 实现

值得精读。该 PR 展示了一种简单而优雅的 agent 选择模式（注册表 + 环境变量注入），符合开闭原则，便于后续扩展。对于其他需要多后端/多实现的场景有借鉴意义。

修复 SWE coding-agent RL 稳定性问题

建议精读。PR 展示了 agent RL 训练中异常处理的最佳实践：通过 `drop_session` 分离清理与样本生成，通过 `rollout_log_probs=[0.0]` 和 `remove_sample=True` 优雅处理中止样本。测试覆盖不足，后续可补充。

修复非浮点型 reward 导致的 crash

建议合并。修复明确，改动安全。若需保留平均 reward 展示，应在后续 PR 中引入更健壮的类型处理，例如统一转换为 float。