radixark/miles · 标签视图

新增多 LoRA 单槽位检查点，含 Adam 状态与原子版本发布

值得精读，但读法有侧重： 1. **优先看 `miles/backends/training_utils/checkpoint_io.py`**：`publish_dir()` 里「rename 到 `_version_*` → 建相对符号链接 → `os.replace` 顶替公共路径」三步是整个栈崩溃安全性的基石，也解释了为什么必须保留旧版本目录；同时注意 `make_tmp_dir` 的三种拒绝路径（non-overwrite、legacy 目录、崩溃残留）。 2. **再看 `miles/backends/megatron_utils/lora/checkpoint.py`**：`_canonicalize_slot_keys` 与 `load_optimizer` 两条分支（`load_sharded_state` vs `reload_masters`）是「槽位无关 + 槽位本地」两个设计意图的落点，也是评审意见 1/2 的修复位置。 3. **值得追踪的遗留项**：IO 失败隔离 TODO、`_version_*` 回收策略、rank 局部失败的集体错误广播、docstring 与 PR body 关于拓扑约束的口径统一，以及在 TP/PP/EP/MoE 布局下的恢复验证。 4. **可借鉴的设计决策**：「先校验后赋值」的两段式加载、把跨槽不变量固化成 key 归一化、用负向对照（master 舍入到 BF16 / 纯权重重启必须失败）证明测试确实在测正确的东西——这三点在同类持久化改动中都值得复用。

单文件 CI 改从 PR 快照解析标签白名单，解除 /rerun-test 阻塞

值得精读，尤其是需要在 CI 中处理不可信输入的同学。重点看两处设计决策：一是 `_read_snapshot_labels()` 用 AST 字面量解析 + symlink 拒收 + 单次定义校验来“读快照而不 import”，这是 fork PR 场景下读取配置的通用范式；二是 `ci_register.py` 用默认参数注入白名单，把行为变更收敛在 file-run 一条路径上，最小化回归面。阅读时可一并追问三点：(a) 是否补 `tests/ci/test/test_file_run.py` 覆盖 symlink/重复定义/非字面量 dict 的错误分支；(b) cwd 契约是否改为显式传入 `labels_path` 更稳妥；(c) 是否需要在文档或注释里固化 `KNOWN_LABELS` 的写法约定。总体属于低风险、高收益的小修补，可放心合并。

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。

避免 worker 启动转发父进程 Python 入口点

值得精读。`python_argv_prefix()` 是解释器 argv 解析的典型边界场景：短选项可聚簇、部分选项带值、attached selector 需要与普通标志区分。该 PR 用逐字符簇扫描 + `for...else` 结构以少量代码覆盖了这些边界，并配套真实子进程回归测试而非仅断言字符串，测试设计值得借鉴。建议重点阅读 `python_argv_prefix()` 的扫描逻辑与新增参数化测试。

nightly 失败 job 自动重跑一次，卡片区分 flaky 与真实失败

值得精读。这个 PR 是 CI 通知链路上的一次小而有代表性的可靠性改进：自动重跑 + flaky 区分的状态机设计（attempt 1 重跑、attempt 2 报告、拒跑兜底、防循环守卫）清晰且可测试。特别值得关注两点：一是作者对未验证路径的诚实标注与 fallback 设计（先合入、后观察、再切换 token 来源），二是 identity boundaries 测试随权限提升同步收紧，保证 actions: write 是唯一新增写权限。建议后续跟踪第一个失败的 nightly，确认 workflow_run 事件确实触发，否则需要切换到 App token。

CPU-only PR 跳过 CUDA/ROCm 镜像准备

值得精读。该 PR 展示了 CI 门控设计中「需求推导」与「复用现有 gate」的平衡，尤其是 diff 缺失时保留 runnable 语义的修复，以及提交历史中「先扩展输出、后回退为复用条件」的演进过程，对理解 milos CI 策略的 stage 选择模型很有帮助。关注 `tests/ci/ci_policy.py` 的 `_write_github_outputs` 与 `tests/ci/stage_selection.py` 的 `select_skipped_gpu_stages` 两处核心逻辑即可。

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。

修复 Daytona 孤儿沙箱永不回收，新增存储配额 override

值得精读。核心看点是 `_environment_config()` 中“业务上限 + 安全缓冲 + 显式拒绝危险值”的防御性配置模式，以及只对特定后端生效的隔离方式。测试围绕 WHY 组织（如 docstring 说明为何必须回收又不能误停活 trial），对在 Harbor/沙箱供应商上做资源配置的团队有参考价值。改动精炼，风险集中在默认行为变更与派生默认值的验证深度上，合并前建议补齐非整型 `auto_stop_interval_mins` 的测试。