radixark/miles

采集断连不再拖垮整个训练运行

值得精读。这是一个小而精准的生产事故修复：22 行源码与测试联动，但覆盖了大规模训练中最常见的一类稳定性问题。重点学习两点：一是异常边界的刻意收窄 —— 只吸收瞬态传输错误、保留服务器级错误的响亮失败；二是复用已有 ABORTED 机制而非新增降级路径，使修复面最小化。对维护 rollout 基础设施的工程师尤其有参考价值。

class-based rollout 成为默认，旧路径改为环境变量门控

值得精读。该 PR 展示了"实验变产品"的典型演进：极性翻转 + fail-fast + adapter 兼容三层保护，是基础设施迁移的教科书式操作。重点关注 `miles/utils/arguments.py` 的 v1-only 校验模式、`inference_rollout_common.py` 的 lifecycle 收尾设计，以及 `tests/fast/examples/experimental/test_verifiers_run.py` 的环境一致性参数化测试。后续可跟进 v1 模块移除的 PR。

quick-start 补预检命令、磁盘要求升 500 GB、时间表述改诚实

值得快速阅读，可作为文档改进范例——特别是磁盘空间计算的理由（fp32 master weights + moments ≈ 12 bytes/param）值得在后续模型训练文档中复用。无需精读代码，因为不涉及任何实现逻辑。

树内化 AMD Triton 注意力桥，修复 ROCm FSDP 导入失败

值得精读。该 PR 是一个教科书式的“构建期隐蔽故障根治”案例：先定位根因（零上下文补丁按行号落点 + `--unidiff-zero` 关闭保护 + 3way 回退失效），再选择删除 overlay 而非重新生成补丁，并用构建期导入检查与 CPU 单元测试双保险防止复发。阅读重点可放在 `_build_model_with_attn_bridge` 的 gating 逻辑、`ALL_ATTENTION_FUNCTIONS` 注册模式，以及测试中通过 `object.__new__` 隔离 actor 的构造技巧。

修复全 MoE 配置缺 intermediate_size 导致 FSDP 训练崩溃

值得精读。重点看 `flops_utils.py` 中“按需校验 + 显式拒绝”和 `actor.py` 中“非关键指标失败即降级”的防御性设计；同时留意 `except Exception` 的粒度是否过宽，以及测试是否应该在 GPU E2E 上补一条回归验证。

修复 agentic v1/v2 的 rollout_id 不一致

值得精读，因为这是 session v1/v2 parity 设计与后处理语义交汇处的一次小而关键的修正。建议重点理解两点：一是为什么只对 v2 多叶写 rollout_id，二是它与 #2347 如何在同一个守卫上收敛；这两点对后续 agentic rollout 逻辑有直接影响。

启用 ROCm PR CI 通道，新增 AMD 专属训练脚本

值得精读。该 PR 展示了在不污染 NVIDIA 共享路径的前提下引入硬件专属配方的完整套路：环境变量分发、后端中性参数透传、测试注册套件迁移。Review 中关于 Megatron 专家网格整除约束的讨论是可复用的并行配置知识，agentic 改动的拦截也体现了维护者对 PR 主题边界的把握。建议重点阅读 scripts/amd/run_inkling.py 的 _get_parallel_config 与 test_qwen3_30B_A3B/_common.py 的 CaseConfig 扩展。

环境 bullet 改名 Agentic 并补上 HUD 连接器

无需精读，可作为"功能上线后同步宣传文档"的小型参考。值得注意的设计决策：将链接从连接器列表中移出放到句尾，保持 README 与 docs 首页同步，并让概述页明确覆盖范围。若关注文档与功能一致性治理，可留意 PR#2491 → PR#2533 的演进链。