radixark/miles

session v2 多叶子样本共享 rollout_id 并补失败保护

值得精读，改动虽小但触及 session v2 数据契约的关键环节。建议重点关注两处设计：一是 `rollout_id` 的优先/回退策略与 `FIXME` 背后的 index 语义问题；二是用 `assert` 做前置校验在优化模式下的失效风险，后续可替换为显式异常。测试中用真实下游校验函数 `validate_compact_rollout_ids` 验证产物是好实践，值得在其他生成路径推广。

镜像与 CI 预装 kubectl/helm/k8s 客户端，为 kubernetes 功能铺路

建议重点阅读 `docker/install-kube-tools.sh` 的下载校验与清理模式，以及 `pr-test.yml`/`docker-build.yml` 中针对共享 runner 的锁等待与 `--ignore-installed` 处理；这两处是后续 CI/镜像维护中容易复用的工程经验。整体不值得精读，但作为 kubernetes 功能的前置基座值得留意后续消费它的 PR。

重写 LoRA 训练与托管指南，划分 Bridge/native 边界

该 PR 值得精读，尤其是作为"功能文档如何跟随实现演进"的范例。关注其如何清晰划分 Bridge/Native 两条路径、如何用验证矩阵避免过度承诺，以及如何在 review 中收敛图表与篇幅。对于 LoRA 相关开发与文档维护人员，建议以本文档为基线，在相关 roadmap PR（#1792、#2141、#2273、#2346）合并时同步更新。

重组训练后端文档，FSDP 升为一等后端

值得精读。对使用者，training-backend.md 是选型和配置 Megatron/FSDP 的权威入口，尤其 FSDP 一节此前从未按代码事实完整写过；对维护者，建议把该页纳入涉及 FSDP 参数、并行或 checkpoint 的 PR 的改动清单。更值得借鉴的是本 PR 的工作方式：以代码为唯一事实源撰写文档，并在写作过程中反哺修复了 4 个真实缺陷。注意页面按修复后的状态编写，阅读时需结合 #2384/#2386 的变更理解 flag 现状。

修复启动脚本批量 bug 并同步快照与测试 harness

值得精读。三个看点：一是 before_ray_job_submit 钩子如何在共享执行器中处理“集群就绪后”的准备工作，这是对多节点训练启动时序的通用解法；二是 os.environ.get(name, default) 默认值急切求值这个隐蔽坑；三是测试 harness 保存/恢复环境以消除顺序依赖的通用做法。建议与 #2354、#2356 连起来读，理解整个脚本清理与重写脉络，并关注 #2356 的 argv 对比是否真的发现移植漂移。

修复 FSDP --config 不生效并拒绝未知键

值得精读：这是 CLI 配置优先级设计的一个小而完整的范例。重点看两点：一是 set_defaults + 二次解析如何在不引入自定义比对逻辑的情况下实现 CLI > YAML > dataclass；二是用首次 parse 的 vars(args) 作为已知键全集，天然覆盖 extra_args_provider 扩展键。若后续要为其他后端引入 YAML 配置，可直接复用这套模式。

删除四个废弃模型启动脚本及配套快照与文档

值得精读。本 PR 展示了如何在删除旧功能时进行精确的引用分析（区分"真实引用"与"已禁用引用"），以及如何处理文档与代码的联动清理。关键设计决策包括： - 通过 `disabled` 机制判断测试是否真实执行，从而安全删除看似被引用的模型定义； - 保留仍被基础设施示例（p2p、low-precision）引用的模型定义，避免过度删除； - 重写存活模型文档而非简单删除，保证文档与实际 launcher 对齐。 对维护大型脚本库的团队有很强的参考价值。

修复 ROCm 上 FSDP 混合分片并重新启用 CI

值得快速精读，特别是 build_fsdp_meshes 的分支写法。亮点在于按能力而非版本选择 API，避免对 ROCm 的 PyTorch 版本硬编码；但它依赖 hasattr 探测私有接口，长期看可在注释中写明 _unflatten 的等价语义（二维 mesh 的 rank 映射），或考虑抽象一个 mesh factory 统一两条路径。建议在后续 FSDP 重构中保留双方等价性的回归测试。