radixark/miles · 标签视图

镜像补 FlashMLA/cudnn-frontend，DSv4 e2e 切到 cuDNN DSA 后端

建议精读，但重点不在测试文件的一行改动，而在 docker/Dockerfile 中新增的安装块：`--no-deps` 与 `ENABLE_CUDA_13` 门控体现了「镜像依赖决定 CI 能力」的现实约束，是理解本仓库 GPU CI 体系的一个好样本。阅读时重点关注三点：一是 flash_mla wheel 的来源与 torch 版本绑定关系（升级 torch 时需要同步重出 wheel）；二是 5 个 `register_ci_gate` 指标在切换内核后端后是否需要重新标定基线；三是建议后续给 flash_mla 安装补上与其他 wheel 一致的 `ls | grep -q .` 存在性守卫，避免 wheel 缺失时镜像构建直接硬失败。对于只关心业务逻辑的读者，本 PR 可以略过。

CUDA 镜像升级 torch_memory_saver，修复暂停态释放崩溃

代码本身只有一行 pin 变更，不值得逐行精读；真正值得读的是评论区与 #3243 的验证链条——它解释了为什么「fork PR 的 GPU 红灯不能当证据」，以及如何用仓内分支承载镜像验证，对任何改 Dockerfile/依赖 pin 的人都直接可复用。关注三个设计决策：选上游修复的 merge commit（最小 bump）而不是跟最新版本；CUDA/ROCm 双 pin 的对称性维护；以及遗留的 segfault 与 backward OOM 必须另开 issue，不能随本 PR 一起关掉。

淘汰旧 ROCm 7.0 镜像变体，新增 ROCm 10 MI35x 构建以支持新硬件和 SDK。

此 PR 是一个重要的基础设施更新，旨在保持构建环境的现代化和可维护性。虽然没有涉及核心应用逻辑，但对于支持 AMD 硬件平台至关重要。建议相关硬件或 CI 维护人员精读，特别是 `docker/Dockerfile.rocm` 中的变更，以理解新的构建流程和依赖管理策略。对于其他开发者，了解新的构建变体即可。

将 sglang 上游从 v0.5.18 升级至 v0.5.19，并修复随之而来的接口破坏与构建问题。

本 PR 是一次高风险的基础设施升级，建议精读以下内容：1) `server_args_utils.py` 中 `_explicit_device` 的实现逻辑，理解 device 字段解析的新约定；2) PR body 中关于冲突解决的详细说明，特别是 `ServerArgs` 结构变化的适配策略；3) Dockerfile 中 Rust 构建禁用的注释。虽然代码变更本身不大（33 行新增/14 行删除），但背后涉及大量上游适配工作，其决策过程值得技术管理者关注。

将CUDA Docker镜像中的Megatron-Bridge从固定SHA更新到@bridge分支，以对齐ROCm镜像并获取最新修复。

此PR是一个**值得精读**的基础设施变更。虽然代码改动极小，但其背后涉及了重要的构建策略和依赖管理决策。读者应特别关注： 1. **对PR body中关于BuildKit缓存行为的解释**：理解为什么从SHA固定转向跟踪分支是一个有意识的权衡，以及如何操作才能确保获取最新代码。 2. **与ROCm镜像的对齐**：思考维持多个构建变体（CUDA/ROCm）依赖一致性的价值。 3. **风险接受度**：评估团队对由上游移动分支引入的不确定性是否已有充分的测试和监控措施。

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。