执行摘要

• 一句话：修复 Docker 构建中 cubin 下载失败被静默掩盖的问题
• 推荐动作：值得快速合并，尤其是对于有 aarch64 Docker 构建需求的团队。PR 本身聚焦、改动清晰，且经过验证。

功能与动机

自 PR#22160（2025-04-09）后，aarch64 的 Docker 构建 nightly 版本一直静默失败，表现为 docker build 的中途阶段（RUN 命令）报告 DONE 0（看似成功），但在后续 COPY 阶段因缺少文件而报错。根本原因是 bash 脚本中 || true 的优先级导致整个下载重试链被屏蔽，且 aarch64 上没有可用的预编译 cubin 变体。

实现拆解

1. Scoping || true to the cleanup find only：将 find ... -exec rm -rf {} + 2>/dev/null || true 包裹在子 shell 中（通过括号），使 || true 仅作用于清理命令，不再吞噬整个 && 链的失败。
2. Adding aarch64 detection and skip：在 cubin 下载循环前检测 $(uname -m)，若为 aarch64 则直接设置 success=1 并跳过下载，并打印明确日志说明原因。
3. Defensive mkdir -p：显式创建 /root/.cache/huggingface 和 /root/.cache/sglang 目录，避免因过早跳过下载而导致后续 COPY 失败。
4. Replacing [ -f ... ] && mv ... || true with conditional：将之前的隐含失败屏蔽写法改为 if [ -f ... ]; then mv ...; fi，使真实的 mv 错误能够暴露。

关键文件：

• docker/Dockerfile（模块 部署脚本；类别 infra；类型 infrastructure）: 所有变更均在此文件中，修复了 bash 脚本中 || true 导致的静默失败，添加了 aarch64 检测和跳过预编译 cubin 下载的逻辑，并进行了防御性目录创建。

关键符号：未识别

关键源码片段

docker/Dockerfile

所有变更均在此文件中，修复了 bash 脚本中 || true 导致的静默失败，添加了 aarch64 检测和跳过预编译 cubin 下载的逻辑，并进行了防御性目录创建。

# docker/Dockerfile (partial: framework_final stage)
RUN --mount=type=cache,target=/root/.cache/pip \
    cd /sgl-workspace/sglang \
    && python3 -m pip install --no-deps -e "python[${BUILD_TYPE}]" \
    && kernels lock python \
    && ( success=0; \
         # aarch64: kernels-community/sgl-flash-attn3 不发布 arm 变体；
         # 运行时通过 JIT 编译内核。
         # 一旦上游发布 arm cubin，应移除此分支。
         if [ "$(uname -m)" = "aarch64" ]; then \
           echo "Skipping kernels-community/sgl-flash-attn3 cubin download on aarch64 (no variants published upstream); kernels will be JIT-compiled at runtime"; \
           success=1; \
         else \
           for i in 1 2 3; do \
             echo "Attempt $i/3: downloading sgl-kernel cubins..." && \
             kernels download python && \
             success=1 && break; \
             echo "sgl-kernel cubin download failed, retrying in 30s..." && sleep 30; \
           done; \
         fi; \
         [ "$success" = "1" ] ) \
    && mkdir -p /root/.cache/huggingface /root/.cache/sglang \
    && ( if [ -f python/kernels.lock ]; then mv python/kernels.lock /root/.cache/sglang/; fi ) \
    && ( find /usr/local/lib/python3.12/dist-packages -type d -name "__pycache__" -exec rm -rf {} + 2>/dev/null || true )

评论区精华

无 review 讨论线程。

• 暂无高价值评论线程

风险与影响

• 风险：风险较低，主要影响 aarch64 Docker 构建：
  • 跳过 cubin 下载后，运行时将通过 JIT 编译内核，可能导致首次推理延迟增加（但当前已有静默失败路径也是 JIT）。
  • mkdir -p 的添加是防御性的，不会影响 x86_64 构建。
  • x86_64 构建行为完全不变。
• 影响：影响范围仅限于 Docker 构建流程：
  • 修复了 aarch64（如 Grace Blackwell）Docker 构建的静默失败问题。
  • x86_64 构建不受影响。
  • 用户无感知。
  • 风险标记：暂无

关联脉络

• PR #22160 [Docker] Optimize Dockerfile for BuildKit layer caching: 该 PR 引入了本 PR 修复的静默失败 bug（|| true 范围问题）。
• PR #22322 Related PR title unknown: PR body 提及 #22322 添加了 [ "$success" = "1" ] 检查，但被静默失败 bug 掩盖。