执行摘要

本PR新增了一个针对GB200集群的夜间性能回归测试管道，通过GitHub Actions和Slurm集成自动化运行DeepSeek-R1推理基准。该管道旨在监控高性能硬件上的性能稳定性，减少手动测试负担，并已通过review讨论优化了安全性和可靠性。

功能与动机

为解决性能回归监控的需求，PR body明确指出“添加一个夜间CI管道，在GB200集群上运行DeepSeek-R1推理基准测试”。动机是确保系统在NVIDIA GB200等高端硬件上的表现一致，避免因代码变更引入性能下降。

实现拆解

实现分为多个模块：

• 工作流定义：.github/workflows/nightly-perf-regression-gb200.yml 文件定义了每日2 AM UTC触发的CI流程，包括矩阵生成、镜像导入和作业执行。
• 配置管理：scripts/ci/slurm/nightly-configs.yaml 以YAML格式声明基准测试配置，支持灵活扩展。
• 脚本执行：launch_gb200.sh 脚本克隆srt-slurm仓库、提交Slurm作业并监控日志；generate_matrix.py 动态生成GitHub Actions矩阵。
• 结果处理：process_result.py 解析原始JSON结果并添加拓扑元数据；summarize.py 汇总所有结果生成Markdown表格。

评论区精华

Review讨论聚焦于设计权衡：

• 手动触发争议：Fridge003提议添加workflow_dispatch以便测试，但作者csahithi回应：“I didn't add it initially to avoid anybody from launching jobs on the GB200”。最终，为安全起见，保持cron-only。
• 失败处理优化：Fridge003询问“Can we fail early when gb200 launching fails?”，csahithi解释脚本已用set -e处理失败，并设置360分钟超时以避免资源抢占。
• 结果展示：Fridge003建议“Maybe write some of them to github summary”，csahithi确认已实现并提供了示例运行链接。

风险与影响

• 技术风险：脚本错误可能导致CI管道中断；配置错误可能使基准测试无效；依赖外部srt-slurm仓库变更可能破坏集成。
• 影响分析：对团队，自动化测试提升效率；对系统，新增夜间任务增加集群负载，但通过合理调度缓解；对用户，间接通过更稳定的性能保证受益。

关联脉络

与本PR相关的历史PR包括：

• PR 22465（更新CI权限）：同属CI基础设施改进，强化了权限管理。
• PR 21960（统一多模态CI测试）：展示了仓库在自动化测试工作流上的持续演进趋势。