执行摘要

• 一句话：限制 RDT 测试使用本地 UCX 传输以修复 CI 失败
• 推荐动作：值得精读，尤其关注 extra_env_vars 的使用方式，可作为类似测试环境限制的参考。

功能与动机

CI 测试 stage-c-8-gpu-h100 在 revision 1b756a756f 上失败，错误为 `uct_iface_open(rc_verbs/mlx5_bond_0:

1) failed: Address not valid及NIXL_ERR_BACKEND。根本原因是 Novita H100 runner 暴露了不可用的mlx5_bond_0:1`，导致 UCX 自动发现中止，无法选择同节点 CUDA IPC 路径。

实现拆解

1. 修改 tests/e2e/megatron/test_qwen3_30B_A3B_rdt.py 中的 execute() 函数，在 U.execute_train() 调用中添加 extra_env_vars 参数，设置 UCX_TLS 为 sm,self,tcp,cuda_copy,cuda_ipc。
2. 该环境变量通过 Ray runtime environment 传递给测试进程，确保 UCX 只使用本地传输（共享内存、自环、TCP、CUDA 复制、CUDA IPC），避免 verbs 设备。
3. 保持生产 RDT 配置不变，仅影响测试。
4. 验证：py_compile 和 ruff check 通过，两 GPU Ray/NIXL H200 探针成功传输 torch.arange(1024) 并返回 523776。

关键文件：

• tests/e2e/megatron/test_qwen3_30B_A3B_rdt.py（模块 测试；类别 test；类型 test-coverage）: 为单节点 RDT E2E 测试添加 UCX_TLS 环境变量限制，修复 CI 失败

关键符号：execute

关键源码片段

tests/e2e/megatron/test_qwen3_30B_A3B_rdt.py

为单节点 RDT E2E 测试添加 UCX_TLS 环境变量限制，修复 CI 失败

# tests/e2e/megatron/test_qwen3_30B_A3B_rdt.py
# 在训练执行时，通过 extra_env_vars 显式限制 UCX 使用的传输层。
# 该单节点测试仅需 CUDA IPC，Novita H100 runner 上不可用的 mlx5 bond 会导致 UCX 后端创建失败。
U.execute_train(
    train_args=train_args,
    num_gpus_per_node=NUM_GPUS,
    megatron_model_type=MODEL_TYPE,
    train_script="train_async.py",
    # 限制传输为共享内存、自环、TCP、CUDA 复制和 CUDA IPC，避免 verbs 设备
    extra_env_vars={"UCX_TLS": "sm,self,tcp,cuda_copy,cuda_ipc"},
)

评论区精华

无实质 review 评论，仅有 Claude bot 的自动评论提示手动 review 设置，以及 yushengsu-thu 的批准。

• 暂无高价值评论线程

风险与影响

• 风险：风险较低。修改仅针对测试环境，通过 extra_env_vars 限制 UCX 传输，不影响生产 RDT 配置。但需要确保在 Novita H100 runner 上测试通过，且其他 RDT 测试或单节点场景不受影响。
• 影响：影响范围限于 RDT 相关 CI 测试，提升测试稳定性。对用户无直接影响，对团队CI 流程有益。
• 风险标记：测试环境特定修复, 未覆盖其他 RDT 测试

关联脉络

• PR #1313 RDT weight sync: GPU->GPU zero copy transfer through SGLang Ray actor backend: 引入 RDT 权重同步，本 PR 修改同一测试文件，属于相关功能线的后续修复