执行摘要

• 一句话：排除不稳定的 h20 阶段引发级联失败
• 推荐动作：此 PR 是小幅 CI 可靠性改进，值得合并。建议关注 h20 运行器 GPU 残留的根本原因，并考虑更长期的修复。

功能与动机

h20 运行器经常在启动时残留前序工作的 GPU 内存，且清理脚本无法回收，导致作业在运行任何测试之前即失败（如 run 25316228022 所示，所有 8 个 GPU 均报错“ERROR: memory >=10%”，且存在 8 个不可杀死的 PID）。此失败并非 PR 引入，但会被 check-stage-health 视为根因，导致其他阶段（如 h200、b200、deepep）快速失败级联。PR 目的是排除此不稳定的作业，避免影响其他正常阶段。

实现拆解

在 .github/actions/check-stage-health/action.yml 中的根因失败过滤逻辑里，添加一个精确名称匹配 stage-c-test-8-gpu-h20 的早期返回 false，从而将其排除在根因集合之外。

1. 新增条件判断：在遍历作业寻找根因失败时，首先检查作业名称是否精确等于 stage-c-test-8-gpu-h20，如果是则直接返回 false（即不视为根因）。
2. 保留原有逻辑：修改仅影响 h20 作业，其余作业（如 h200、b200、deepep）仍按原有逻辑处理。
3. 无其他变更：仅修改此文件，无需测试、配置或部署配套。

关键文件：

• .github/actions/check-stage-health/action.yml（模块 CI；类别 infra；类型 infrastructure）: 核心变更文件，添加了排除 h20 作业的精确名称匹配逻辑。

关键符号：未识别

关键源码片段

.github/actions/check-stage-health/action.yml

核心变更文件，添加了排除 h20 作业的精确名称匹配逻辑。

# .github/actions/check-stage-health/action.yml ( 片段 )
# 在根因失败过滤循环中添加如下判断：
# h20 runners are flaky (dirty GPU state from prior runs); their failures
# should not cascade fast-fail to other stages. Exact match avoids
# accidentally matching the h200 job names.
if (j.name === 'stage-c-test-8-gpu-h20') {
  return false;
}

评论区精华

无实质性 review 讨论。仅有的评论来自 gemini-code-assist[bot]，其表示无反馈。

• 暂无高价值评论线程

风险与影响

• 风险：风险极低。改动仅一行（精确名称匹配），且仅影响 CI 控制流。若 h20 作业名称未来更改，需同步更新此文件，否则排除失效。此外，h20 作业失败仍会报告，但不再级联，这可能掩盖某些真正的根因问题（如 h20 特定代码缺陷），但鉴于失败发生在依赖安装之前，风险较小。
• 影响：
  • 用户/开发者：h20 阶段失败不再导致其他阶段被跳过，减少 CI 误报和重试。h20 作业本身仍会失败并显示状态。
  • 系统/CI：减少不必要的级联失败，提高 CI 效率。
  • 团队：降低因不稳定运行器导致的 CI 阻塞，但需关注 h20 运行器清理问题的根本解决方案。
  • 风险标记：依赖精确作业名称, 低风险

关联脉络

• 暂无明显关联 PR