执行摘要

本 PR 修复了 CI 中 killall.py 脚本因导入 sglang 模块而崩溃的问题，通过内联 nvidia-smi 查询代码避免依赖，确保 CI 在新 runner 或路径变更时稳定运行。变更范围小，风险低，属常规维护。

功能与动机

此修复源于 CI 测试中的确定性失败：killall.py 在 pip install -e 之前运行，但自 PR #21780 引入后，它导入 from sglang.srt.utils.common import get_nvidia_driver_version_str。在未安装 sglang 的 runner 上（如新 runner 或 git clean 后），该导入会立即失败，导致 ModuleNotFoundError。PR body 中详细说明了失败证据，强调这不是 flaky 测试，而是会随 runner 增加而加剧的问题。

实现拆解

改动仅涉及 python/sglang/cli/killall.py 文件的 _get_smi_version 函数。关键变更包括：

• 移除导入依赖：删除 from sglang.srt.utils.common import get_nvidia_driver_version_str。
• 内联 nvidia-smi 查询：添加 subprocess.run 调用，直接执行 nvidia-smi --query-gpu=driver_version 命令，并捕获输出。
• 异常处理：使用 try-except 块处理 SubprocessError 和 FileNotFoundError，失败时返回 None。

代码示例：

try:
    result = subprocess.run(
        [
            "nvidia-smi",
            "--query-gpu=driver_version",
            "--format=csv,noheader,nounits",
        ],
        capture_output=True,
        text=True,
        check=True,
        timeout=10,
    )
    driver = result.stdout.strip().split("\n")[0].strip() or None
except (subprocess.SubprocessError, FileNotFoundError):
    driver = None

评论区精华

无 review 讨论或评论，PR 直接由作者合并。这表明变更被认可为简单修复，无需进一步审查。

风险与影响

风险分析：

• 低风险：变更逻辑与原函数一致，仅替换导入为命令调用。
• 外部依赖：依赖 nvidia-smi 命令的可用性，但已有异常处理。
• 测试覆盖：未新增单元测试，但修复通过 CI 验证。

影响分析：

• CI 稳定性：解决了 runner 未安装 sglang 时的崩溃，提高 CI 成功率。
• 系统影响：不涉及核心功能或用户接口，仅影响内部 CI 脚本。
• 长期影响：减少因环境差异导致的 flaky 测试，提升开发效率。

关联脉络

此 PR 直接关联到 PR #21780（"[Fix] Fall back to triton MOE for GPT-OSS on Blackwell with driver >= 595"），后者引入了对 sglang.srt.utils.common 的导入，导致本问题。近期历史 PR 中，多个涉及 CI 和 bugfix 的 PR（如 #21778 缓存 Nvidia wheels、#21729 修复 HF API 速率限制）显示团队正持续优化 CI 流程和稳定性。本修复是这一趋势的延续，聚焦于消除 import 依赖导致的脆弱性。