THUDM/slime

将微批次调度从训练侧移至rollout侧，全局优化bin packing。

值得精读，特别是 `slime/utils/dp_schedule.py` 的设计思路和 `tests/test_dp_schedule.py` 中不变量断言。需要关注： - 如何将纯逻辑从框架依赖中拆解出来（纯函数 + CPU 测试）。 - `expand_bins_by_splitting` 如何保持 bin 容量约束。 - 统一 static 和 dynamic 路径的 `micro_batch_indices` 数据契约。

升级 torch_memory_saver 减少主机内存占用

推荐精读，特别是 megatron.patch 中如何通过 TMS 的 region 替换现有缓冲区分配逻辑、以及 disable_grad_buffers_cpu_backup 与 nccl_ub 的互斥设计。该 PR 展示了深度集成第三方内存管理库以优化训练内存的典型模式。

新增流式生成示例，支持 abort 时保留部分状态

建议阅读 `slime/rollout/sglang_streaming_rollout.py` 中基于 base snapshot + chunk delta 的增量状态累加设计，该模式在需要中断恢复的场景下值得推广。

将 fully_async rollout 从示例迁移至主代码库，新增 slime.rollout.fully_async_rollout 模块

值得精读，展示了如何将实验性代码正式合入主库的标准化流程：代码迁移、类型标注增强、测试配套、文档更新、CI 集成。其中全局 worker 单例和 ABORTED 样本重定向的设计值得借鉴。

为 critic 角色添加独立的 W&B 配置记录

此 PR 代码清晰，改动集中，无显著风险。推荐合并后同步更新用户文档，说明 W&B 配置记录的变更。

更新 Docker 中 torch_memory_saver 版本

简单依赖升级，可快速合并。建议关注该版本更新带来的功能变化。

加固 retool 多轮 rollout，防止样本状态不同步

建议使用 retool 的团队立即合并此 PR，并关注 ABORTED 样本率的监控指标。该 PR 的设计思路（在关键点维护数据不变量并优先安全中止而非静默错误）值得在其他自定义 rollout 生成函数中借鉴。

将 Megatron TP 梯度归约从单一大 buffer 改为分块 all-reduce，避免大模型下 OOM

建议精读此 PR，尤其是 `_split_into_chunks` 贪心分块策略、`_grad_attr` 和 `_fsdp_flag` 的跨版本兼容写法，以及 monkey-patch 嵌入方式。这些设计模式可复用于其他 Megatron 内部函数修补场景。