THUDM/slime

对齐 Megatron 训练与 SGLang rollouts，新增确定性 GLM-5 对齐路径

值得精读。该 PR 展示了如何系统性对齐训练与推理引擎的数值行为，包含大量可借鉴的设计：自定义 autograd 函数封装外部 kernel、通过 Triton 内核实现确定性路由重排、使用直通估计器（STE）处理对齐权重、基于 cache key 的权重对齐缓存、以及通过 layerwise dump 精确验证对齐效果。对从事多后端一致性、MoE 训练、FP8 量化的工程师有很高参考价值。建议关注点：1）routing_replay 对非 GLM-5 模型的潜在影响；2）DeepEP 成为唯一对齐后端的回退策略；3）CI 门禁的 fixture 依赖管理。

新增 CUDA 13（Blackwell）Docker 构建路径

值得精读 `docker/Dockerfile` 的 CUDA 分支与 `docker/justfile` 的发布目标，可作为“多 CUDA 版本 + 多架构镜像”构建的参考模板。重点观察三点：运行时探测取代显式构建开关的取舍、第三方 fork 依赖的固定 commit 管理、以及滚动 latest 标签的所有权转移。若团队近期要支持 Blackwell 训练，此 PR 是必要的基础设施前置。

发布 v0.3.1，集成 SGLang/Megatron 补丁与构建修复

值得精读，尤其适合维护 docker 补丁和发布流程的团队。关注补丁的组织方式、版本兼容策略，以及 reloadable process group 销毁顺序的修复思路。

内部化 mbridge，移除 megatron-bridge 依赖

值得精读。这是 slime 一次重要的架构收敛：从外部桥接模型转换切换到自研的轻量直接转换器，同时明确了模型支持的边界。建议重点阅读 `slime/backends/megatron_utils/hf_to_megatron/qwen.py` 的映射逻辑和 `slime_plugins/models/qwen3_5_vl.py` 的原生 VLM 实现，理解新的模型接入成本和约束。

新增 rollout 采样钩子与动态采样回退，保留 DeepEP TMS 状态

值得精读：`slime/rollout/sample_hooks.py` 的 hook 机制设计（签名过滤 + 同步/异步统一 + no-op 默认）、`slime/backends/megatron_utils/__init__.py` 的 TMS 状态 try/finally 恢复模式，以及 `should_drop_dynamic_filter_output` 的回退阈值判定。建议未来在真实多卡环境验证 TMS patch，并观察动态采样回退对训练数据分布的实际影响。

移除 --train-memory-margin-bytes 参数及相关内存 margin 配置

该 PR 变更简单直接，不建议作为重点精读对象；但它展示了如何清理已废弃或不再适用的训练参数，以及参数移除时连带处理校验、actor 初始化和示例脚本的完整配套流程。关注点在于：确认 torch_memory_saver 默认 margin 是否满足 Slime 的 offload_train 需求，以及是否已在文档中移除该参数说明。

PYTORCH_ALLOC_CONF 支持，隔离 SGLang

改动小但有针对性，结合 colocation 显存优化线（#2180 等）值得快速阅读。关注点：环境变量隔离位置是否合理，以及 Dockerfile 依赖锁定策略——建议后续改为固定 commit 或构建产物校验，避免构建漂移。

SGLang 升级至 v0.5.15.post1，同步更新 Docker 构建与 patch

本 PR 适合所有使用 slime Docker 镜像的团队精读，尤其是 `arguments.py` 中的参数兼容模式和 `sglang_engine.py` 的默认值覆盖策略值得在设计迁移时借鉴。建议 merge 前运行完整 CI（包括 offload、disagg 测试组合），并确认无回归。