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。

sglang 升级 v0.5.18 并适配 torch 2.13

值得精读。重点有三个：一是 PR body 本身就是依赖升级工程的范本——回滚点定义、中转基线选择（736 vs 1317 drift）、冲突取舍原则（上游新形态为准、行为重表达）都写得很清楚；二是 `_forward_remaining_collectives()` 的自动转发设计，用元编程根除手工维护清单的复发式 bug，值得在同类 wrapper 场景复用；三是 det PG 覆盖范围先放大再收敛的过程，展示了如何靠多 GPU 测试逐步逼近最小必要改动。若团队后续还要升级 sglang/torch，建议直接对照此 PR 的适配清单。

修复 /rerun-test 默认镜像逻辑

建议精读该 PR，它展示了 CI 镜像选择逻辑的优化思路，对维护 CI 流程有一定参考价值。值得关注的是如何通过检查镜像是否存在来优雅回退，以及如何通过认证避免限流问题。

Dockerfile 的 MEGATRON_BRANCH 回退到 miles-main

此 PR 为简单的基础设施修复，不值得精读。核心决策是确保分支引用与上游仓库一致，建议关注后续是否有类似的临时分支引用清理。

升级 Megatron-LM 至 20260819 并全面适配 API 变更

值得精读。这是"大版本依赖升级如何控制风险面"的样板：以 base bump only 为边界、用显式禁用隔离未适配特性、把大特性拆成 follow-up PR。重点阅读 `miles/backends/megatron_utils/arguments.py` 中的数值决策注释与 `model.py` 中 MTP loss tracker 适配模式，以及 `update_weight/common.py` 的命名正则。同时建议关注 #2734 回退 `MEGATRON_BRANCH` 的原因，评估当前 bump 是否需补丁修缮。

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。

CI 仅在实际镜像输入变化时重建 PR 镜像

建议精读。这是一个内容寻址式 CI 缓存决策的优秀范例：以输入哈希而非路径 diff 驱动重建、用一次性标签提供手动逃生舱、把注册表认证放到决策链末端。值得学习的设计决策包括：`read_label` 对 multi-arch / single-arch manifest 的递归兼容、用 `HEAD^1` 而非 base.sha 避免 base 滞后、live-label 读取规避 webhook payload 冻结问题。对同样维护昂贵 Docker 构建的团队有直接借鉴价值。