执行摘要

• 一句话：为 AMD 夜间测试增加 VRAM 清理步骤
• 推荐动作：建议合并此 PR。它是 CI 质量的常规维护，与 PR 测试工作流的行为对齐，能有效提升夜间测试的可靠性。对于需要维护 CI 管线的团队，本 PR 的改动模式（在容器启动前清理 VRAM）值得在其他类似场景（如共享 runner 的多租户环境）中参考。

功能与动机

PR body 指出 AMD 夜间测试频繁因 RuntimeError: The memory capacity is unbalanced 失败，根源是前序任务取消/超时/崩溃后在共享 runner 上留下孤儿进程或 HIP 上下文占用 VRAM，而夜间工作流未像 PR 工作流那样在启动容器前执行 ensure_vram_clear.sh。

实现拆解

1. 问题分析：定位到 init_torch_distributed 中 VRAM 不平衡检查失败的原因为 GPU 残留进程。
2. 修改文件：编辑 .github/workflows/nightly-test-amd.yml（35 个作业）和 .github/workflows/nightly-test-amd-rocm720.yml（37 个作业）。
3. 添加步骤：在每个作业的 Checkout 之后、Setup docker 之前插入 Ensure VRAM is clear 步骤，运行 bash scripts/ci/amd/ensure_vram_clear.sh rocm。
4. 特殊处理：对于 nightly-test-amd-rocm720.yml 中的两个 DSv4 作业，步骤放在 Resolve DSv4 image tag 之后、Setup docker (ROCm 7.2 DSv4) 之前，避免影响镜像解析。
5. 测试验证：通过内部 Action run #25503286022 验证修改正确。

关键文件：

• .github/workflows/nightly-test-amd.yml（模块 CI工作流；类别 infra；类型 infrastructure）: 35 个测试作业均需在 Setup docker 前增加 VRAM 清理步骤，是该 PR 的主体变更之一。
• .github/workflows/nightly-test-amd-rocm720.yml（模块 CI工作流；类别 infra；类型 infrastructure）: 37 个作业（含 2 个 DSv4）需要新增清理步骤，DSv4 作业的步骤位置特殊处理。

关键符号：未识别

评论区精华

该 PR 无人工 review 评论（仅 Gemini 机器人的自动回复）。已获 CODEOWNER bingxche 批准，无争议。

• 暂无高价值评论线程

风险与影响

• 风险：风险极低：
  • 新增步骤仅清理环境，不影响产品代码逻辑。
  • 镜像解析步骤的依赖关系已通过插入顺序正确维护。
  • 可能轻微增加 CI 作业时间（数秒），但相比整体测试时长可忽略。
• 影响：影响范围限于 CI 基础设施：
  • 对用户：无影响。
  • 对开发团队：减少 AMD 夜间测试因环境问题导致的假阳性失败，节省排查时间。
  • 对系统：复用已有脚本，无额外维护负担。
  • 风险标记：暂无

关联脉络

• 暂无明显关联 PR