radixark/miles

为 shell 启动脚本新增可安全重放的测试 harness

值得精读。虽然全部是测试代码，但 harness 的设计决策很有学习价值：用 PATH shim 拦截真实命令、按 fork 顺序保证记录确定性、轮询 /proc 过滤僵尸进程、冻结环境并拒绝解冻、路径占位符替换。建议与 #1899（shell 脚本外部命令快照）和 #1901（Python 启动脚本 harness）连读，能看到同一思路向两个方向的扩展。对需要维护 launch 脚本的工程师，理解 fake_bin 拦截与占位符机制是必要的。

修正 PYTHONBUFFERED 拼写错误并开启 Ray 无缓冲输出

值得快速精读，重点是两点设计决策：一是“提交客户端 export + runtime env 双通道”的完整无缓冲方案，揭示了 Ray 作业环境变量的传播边界；二是测试文件用 `git ls-files` 自动发现用例并配合守卫测试防空转的思路，在脚本类仓库中非常有借鉴价值。

广播异常不再泄漏 rollout-engine 锁，训练不会静默挂起

值得精读。这是分布式锁生命周期 bug 的教科书式修复：`try/finally` 的最小改动解决级联挂起，测试设计（用进程内 `_LockState` 模拟 Ray actor、哨兵注入失败、失败后重试）非常有参考价值。对于分布式训练框架的开发者，可重点关注“轮询型锁 + 异常路径”的组合为何必须用 `finally` 兜底，以及如何在 mock 层完整模拟远端 actor 语义。

标准 RL 指标默认全 step 落库，历史门禁不再丢步骤

值得快速阅读（全 PR 仅 53 行新增、9 行删除），尤其适合 CI/metric-history 门禁的维护者。重点看三处：GATE_DEFAULTS 默认值表、坐标键（steps_key）推导与基线冷启动的联动、TITO 保持 "last" 的设计理由。不涉及训练核心代码，无需精读生产路径。

修复 GLM-5 sparse-MLA kernel 的 -1 索引越界与 NaN 梯度

值得精读：这是典型的 GPU kernel 数值安全修复，展示了如何处理 padding 索引越界、0 * inf、0/0 与越界 atomic 写四类问题，且设计上刻意让修复对真实行完全透明。同时建议优先补两条后续：把 standalone harness 入库并挂到 CI，以及同步 megatron-bridge 的 vendored 副本。

FSDP 后端迁出 experimental，升级为正式后端模块

值得快速浏览：这是大型仓库中“大范围纯移动”重构的工程样板，重点观察三点：一是相对导入转绝对导入使包位置无关的做法；二是源码移动与 docker 补丁、CODEOWNERS 等基础设施的联动检查清单；三是用全量 fast 测试证明“零行为变化”的验证方式。无需精读逻辑实现。

fully-async 数据缓冲重构：容量限流、统一过滤与可观测性

### 建议 值得精读。核心设计是「把 group 级过滤与数据流控制集中到 DataBuffer 抽象」，并配套了完整的指标与参数化策略，对理解 fully-async rollout 的数据管线很有帮助。重点关注： - `DefaultDataBuffer.put/get` 的裁决时机（put 裁决 abort/动态过滤，get 裁决陈旧度）为何合理； - 容量因子默认值 2 的实测依据（GLM-5.2 16 节点稳态队列 0-5 组）； - review 中关于 recycle 无限重试的讨论与最终 `retry/drop` 策略的取舍。

修复 Nemotron CI 测试的废弃参数残留

不值得精读，但值得快速浏览作为一个跨 PR 清理的范例：删除 CLI 参数时应当全局 grep 所有引用（包括测试 extra_args、shell 脚本、示例配置），避免遗漏导致 CI 失效。可顺带关注 PR #2223 引入的默认 rematerialize 行为在后续测试中的表现。