radixark/miles · 标签视图

升级 flash-linear-attention 到 0.5.2，修复 KDA 训练崩溃

该 PR 值得精读，尤其是对于维护或使用 fla 的工程师。原因： - 它展示了一个典型依赖升级的处理方式：清晰的动机说明、明确的 A/B 验证、对 API 兼容性的确认。 - 它揭示了 triton 版本变化对 jit 代码的破坏性影响，对编写 triton 内核的开发者有警示意义。 - 对 KDA 训练相关功能而言，这是一个必要的修复，建议合并后尽快使用新镜像验证训练流程。

删除过时的 ROCm Megatron patch，修复镜像构建

该 PR 值得精读，尤其是了解如何处理上游依赖变更导致的构建失败。关键设计决策是删除死代码而不试图修复补丁，这基于对当前 tree 的检查。对于维护者，应关注后续是否有替代方案处理 Megatron 内部行为变化。

Dashboard 新增 AMD SMI 遥测，NVML 优先自动回退

值得精读，尤其是 Provider 抽象、单位差异处理与降级语义的设计：`_AmdSmiProvider` 与 `_NvmlProvider` 共享同一接口而实现细节差异被干净隔离，`_amd_socket_power` 对多代 ROCm 字段兼容的思路可复用于其他硬件平台。创建类似硬件适配层时可参考本 PR 的 importlib 延迟导入与 `sys.modules` 打桩测试方式。

ROCm CI 支持按 PR 指令覆盖镜像内置依赖

值得精读，重点是两个 workflow 文件的设计：用独立 resolver 作业做门控与布尔透传；覆盖策略“只替换命名的依赖，未命名保持镜像基线”避免意外漂移；Megatron patch 三状态探测与 fail-closed 保护。若后续要扩展 PR 指令体系，可参考此 PR 的 seam 测试与验证方法（scratch 提交 + 空提交重触发），以及 PR body 指令跨工作流消费的副作用教训。

启用四个 AMD CI 测试并修复相关配置

此 PR 值得关注其 CI 基础设施配置方式，特别是如何通过调整 EP 解决并行度不匹配问题，以及如何在 Docker 和 CI 中统一添加依赖。对于负责 CI 维护的工程师，可从中学习到测试启用的标准流程。

更新 torch_memory_saver 依赖，修复 CUDA VMM 分配粒度问题

这是一个低风险的依赖升级 PR，值得关注的是它解除了重要的训练阻塞。建议阅读以了解团队维护第三方依赖 pin 的实践，以及如何处理此类上游修复的集成节奏。

ROCm 镜像升级 wheels 并切换 FP8 块缩放策略

值得轻度关注，尤其是 AMD 团队。建议精读以理解 TE 2.17.0 的行为变化，并测试 FP8 缩放调整对模型收敛的影响。由于改动小，没有复杂的架构决策。

启用 21 个已验证测试至 MI350 ROCm 套件

值得快速浏览，尤其是 `tests/ci/run_suite.py` 的套件拆分配置和任意一个测试文件的 `register_rocm_ci` 注册模板。该 PR 展示了如何在保持测试体不变的前提下，将已验证的测试安全接入新硬件 CI 通道，是后续新增 ROCm 测试的参考样板。若团队后续要继续扩 ROCm 覆盖，建议关注 `est_time` 校准是否持续基于实测数据，以及外部 sgl-project/sglang nightly 对新套件名的消费是否稳定。