radixark/miles · 标签视图

CI 命令网关新增用户 ID 白名单，种子授权 4 位贡献者

值得精读，尤其适合管理开源仓库 CI 命令权限的团队。两个设计决策值得借鉴：①授权身份绑定 GitHub 稳定数字 ID 而非 login，避免用户名变更导致权限漂移；②每个 tier 独立白名单，且 `/clear-labels` 这类涉及 CI 策略的操作始终要求实时 write/admin，体现最小权限原则。建议后续补强 v4 的 `users` 条目 schema 校验与缺键错误测试，弥补删除 `_validate_user_ids` 后的校验空档。

新增 stage-c-8-gpu-b200，接入 8×B200 CI runner

值得快速精读。虽然单看只是注册表加一行 + 一个 workflow job，但其中蕴含两个可复用的 CI 设计原则：一是「测试自声明 GPU 预算（ray start --num-gpus / torchrun --nproc-per-node）而不是读取可见设备」，这让不分区主机的资源分配语义清晰；二是「合入时零测试注册是安全的，因为空 stage 收集零测试并退出 0」，支撑了增量迁移的分步落地。对参与 CI 基础设施维护的工程师，建议重点关注 pr-test.yml 中 job 注释与 tests/ci/run_suite.py 的 suite 注释，这两处把「为什么这么设计」讲得最清楚。

新增 Anthropic 会话验证与 SGLang 契约闸门

值得精读。三个设计点最有价值：一是硬/软失配的分层判定配合 sidecar 日志，解决"rollout 重试吞掉验证失败"的经典问题；二是用配对 checkout 把上游外部 PR 不跑的 CPU 套件搬进自家 CI，形成行为保持闸门；三是端口独立分配对并发部署的改进。阅读时注意临时闸门的清理时机与 Qwen3.6 阈值放宽的后续收敛。

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。

端口与并发数解耦，新增 workers 参数

值得精读。这是一个有清晰设计意图的破坏性 CLI 重构：默认 32 workers 的取舍、拒绝旧语法而非兼容、TODO(#1837) 标记临时端口分配，都体现了对“配置属主唯一”和“迁移可见性”的坚持。建议重点关注 _resolve_session_server_ports 的实现与 review 中未解决的连续端口占用问题，后续很可能被 #1837 的统一端口分配重构取代。

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。