radixark/miles

禁用两个遗漏的容错确定性测试，完善 CI 临时修复。

本 PR 本身是一个简单且机械的测试配置变更，无需精读其代码。然而，PR body 中提出的问题和风险极具价值。**强烈建议**团队（尤其是负责容错模块的工程师）精读 PR body，因为它清晰地指出了一个潜在的、正在被测试禁用所掩盖的严重 bug（`CellReconfigureEvent sequence mismatch`）。这个 PR 的价值不在于代码变更，而在于它触发了对系统设计完整性和测试策略的必要审视。

淘汰旧 ROCm 7.0 镜像变体，新增 ROCm 10 MI35x 构建以支持新硬件和 SDK。

此 PR 是一个重要的基础设施更新，旨在保持构建环境的现代化和可维护性。虽然没有涉及核心应用逻辑，但对于支持 AMD 硬件平台至关重要。建议相关硬件或 CI 维护人员精读，特别是 `docker/Dockerfile.rocm` 中的变更，以理解新的构建流程和依赖管理策略。对于其他开发者，了解新的构建变体即可。

为 DeepSeek-V4 注意力栈启用 THD packed-sequence 训练，支持上下文并行。

该 PR 是一个重要的功能增强，为 DeepSeek-V4 模型在 AMD 硬件上启用了高效的 THD 训练路径。建议精读 `miles_plugins/models/deepseek_v4/ops/thd_utils.py` 中的索引辅助函数实现和 `deepseek_v4.py` 中的 THD 前向传播路径，这些是理解 THD 支持的关键。同时关注 indexer replay 兼容性问题的后续修复。该 PR 的测试覆盖全面，包括单元测试、分布式正确性测试和端到端精度对比测试。

新增 Harbor in-process 路径的启动器，并提取共享的沙箱提供商凭证配置逻辑。

此 PR 值得精读。它不仅仅是一个新功能（启动器）的添加，更重要的是它通过重构解决了跨示例的代码重复和配置漂移问题。关键设计决策在于：1) 将提供商配置序列提取为 `provision_provider`，这是一个清晰的、单一职责的公共抽象；2) 创建 `launch_common.py` 作为 Harbor 启动逻辑的共享层，确保配方与测试的一致性；3) 在 `harbor_env_vars` 中实施早期、明确的环境校验和规范化。这些模式（早期校验、共享配置层、行为保持的重构）可以借鉴到仓库中其他示例的维护中。建议关注 `provision_provider` 的实现和它如何简化了 `openenv_launch_common.py`，以及 `harbor_env_vars` 中的环境校验逻辑。

新增手动运行的沙箱冒烟测试脚本，验证真实沙箱平台完整链路。

这是一个设计良好、文档齐全的基础设施补充。它填补了测试覆盖的关键空白，且风险可控。建议所有负责沙箱集成或部署验证的工程师精读此 PR，尤其是： 1. **`run.py` 的整体架构**: 学习其正交参数设计、懒加载基准任务和清晰的连接器抽象。 2. **凭证处理模式**: 理解其强制使用文件凭证以模拟真实训练路径的考量。 3. **README 中的使用示例和验证矩阵**: 了解如何利用此工具进行快速验证。

临时禁用5个失败的容错端到端测试，保持CI nightly绿灯。

这是一个低风险的 CI 维护操作，用于管理已知测试失败。它值得精读，但主要是为了确认禁用的测试范围正确，并理解“未来 FT 交付”的跟踪机制。对于普通工程师，了解此变更即可，无需深入代码细节。

新增 `--colocate-memory-peak-device gpu` 对 LoRA 的支持，通过管理梯度缓冲区生命周期优化内存占用。

本 PR 值得精读。它解决了一个具体的、影响生产部署的内存优化问题，实现方案聚焦且测试充分。主要关注点在于 `actor.py` 中 `sleep`/`wake_up` 的新控制流，以及 `train.py` 中内存释放时序的调整。对于维护或扩展分布式训练内存管理模块的工程师，这是很好的参考实现。