执行摘要

• 一句话：NPU 平台基础软件升级（CANN 9.0.0、PyTorch 2.10.0）
• 推荐动作：此 PR 为 NPU 平台的必需基础设施升级，建议尽快合并并密切观察后续 CI 和 nightly 测试结果。值得关注的设计决策是 set-image-config job 的使用，它为多镜像环境下的版本管理提供了可扩展模式。建议在后续 PR 中跟进解决以下问题：将 nightly 测试的重复代码提取为公共脚本；将 Dockerfile 中硬编码版本替换为变量引用；与 sgl-kernel-npu 团队协调发布修复版本。

功能与动机

NPU 平台需要定期升级依赖以保持与最新 CANN（9.0.0）和 PyTorch（2.10.0）的兼容性，同时修复已知问题（如 sgl-kernel-npu 中的 Qwen3.5 崩溃）。Issue 评论中要求参考 PR#20860 更新文档，说明文档同步也是动机之一。

实现拆解

实现分为几个主要部分：

1. 核心依赖版本升级：修改 scripts/ci/npu/npu_ci_install_dependency.sh 和 docker/npu.Dockerfile，将所有相关依赖更新至新版本：移除 OPTIONAL_DEPS 分支统一使用 PyTorch 2.10.0；更新 memfabric-hybrid 至 1.0.8 并新增 memfabric-zbal 1.1.1；将 triton-ascend 从 PyPI 包改为固定 URL 安装（版本 3.2.1）；更新 sgl-kernel-npu 的 tag 至 2026.05.01.post3；同步 Dockerfile 中的 ARG 变量确保默认版本一致。
2. CI 镜像配置重构：在 .github/workflows/pr-test-npu.yml 中新增 set-image-config job，将 CANN 镜像标签作为该 job 的输出，其他 test job 通过 needs 依赖获取镜像配置，避免硬编码。
3. 同步更新其他 CI 和发布工作流：更新 .github/workflows/nightly-test-npu.yml、release-docker-npu.yml、release-docker-npu-nightly.yml 中的 CANN 版本（8.5.0 → 9.0.0）和 sgl-kernel-npu tag，保持全局一致性；nightly 测试中的 torchaudio 版本同步升级到 2.10.0。

关键文件：

• scripts/ci/npu/npu_ci_install_dependency.sh（模块 CI脚本；类别 infra；类型 infrastructure）: 核心安装脚本，集中管理所有 NPU 依赖的版本和安装方式，PR 中变更最大，直接体现软件升级内容。
• docker/npu.Dockerfile（模块 Docker构建；类别 infra；类型 infrastructure）: Docker 构建文件，定义了镜像内的基础软件版本，与安装脚本协同确保环境一致性。
• .github/workflows/pr-test-npu.yml（模块 CI工作流；类别 infra；类型 infrastructure）: PR 测试工作流，重构了镜像配置管理，通过 set-image-config job 集中管理 CANN 镜像标签，是 infrastructure 层面的重要改进。
• .github/workflows/nightly-test-npu.yml（模块 CI配置；类别 infra；类型 infrastructure）: 夜间测试工作流，同步更新了 CANN 镜像和 torchaudio 版本，保持与主 CI 一致。
• .github/workflows/release-docker-npu.yml（模块 发布配置；类别 infra；类型 infrastructure）: NPU Docker 发布工作流，更新了 CANN 版本和 sgl-kernel-npu tag。
• .github/workflows/release-docker-npu-nightly.yml（模块 发布配置；类别 infra；类型 infrastructure）: NPU 夜间 Docker 发布工作流，同步更新 CANN 版本和 sgl-kernel-npu tag。

关键符号：未识别

关键源码片段

scripts/ci/npu/npu_ci_install_dependency.sh

核心安装脚本，集中管理所有 NPU 依赖的版本和安装方式，PR 中变更最大，直接体现软件升级内容。

### Install MemFabric（分布式共享内存库）
${UV_PIP_INSTALL} memfabric-hybrid==1.0.8
​
### Install PyTorch and PTA（PyTorch 和 NPU 适配层）
# 统一使用 PyTorch 2.10.0，不再区分 OPTIONAL_DEPS 分支
PYTORCH_VERSION="2.10.0"
TORCHVISION_VERSION="0.25.0"
TORCHAUDIO_VERSION="2.10.0"
${UV_PIP_INSTALL} torch==${PYTORCH_VERSION} torchvision==${TORCHVISION_VERSION} torchaudio==${TORCHAUDIO_VERSION} \
    --index-url ${TORCH_CACHE_URL:="https://download.pytorch.org/whl/cpu"} \
    --extra-index-url ${PYPI_CACHE_URL:="https://pypi.org/simple/"}
# PTA 需要从 GitCode 下载（UV 不支持，故使用 PIP）
PTA_URL="https://gitcode.com/Ascend/pytorch/releases/download/v26.0.0-pytorch2.10.0/torch_npu-2.10.0-cp311-cp311-manylinux_2_28_aarch64.whl"
${PIP_INSTALL} ${PTA_URL}
​
### Install zbal（负载均衡库，仅 NPU 需要）
${UV_PIP_INSTALL} memfabric-zbal==1.1.1
​
### Install Triton-Ascend（NPU 上的 Triton 后端，指定版本 3.2.1）
${PIP_INSTALL} "https://gitcode.com/Ascend/triton-ascend/releases/download/v3.2.1/triton_ascend-3.2.1-cp311-cp311-manylinux_2_27_aarch64.manylinux_2_28_aarch64.whl"
​
### Install sgl-kernel-npu（自定义 NPU 算子集合）
SGLANG_KERNEL_NPU_TAG="2026.05.01.post3"
# 根据设备类型下载对应架构的预编译包
(cd sgl-kernel-npu && wget ...) # 省略具体下载解压命令

docker/npu.Dockerfile

Docker 构建文件，定义了镜像内的基础软件版本，与安装脚本协同确保环境一致性。

# 基础软件版本定义（可构建时覆盖）
ARG PYTORCH_VERSION="2.10.0"
ARG TORCHVISION_VERSION="0.25.0"
ARG TORCHAUDIO_VERSION="2.10.0"
# NPU 适配层 PTA 的下载 URL（区分 arm64 和 amd64）
ARG PTA_URL_ARM64="https://gitcode.com/Ascend/pytorch/releases/download/v26.0.0-pytorch2.10.0/torch_npu-2.10.0-cp311-cp311-manylinux_2_28_aarch64.whl"
ARG PTA_URL_AMD64="https://gitcode.com/Ascend/pytorch/releases/download/v26.0.0-pytorch2.10.0/torch_npu-2.10.0-cp311-cp311-manylinux_2_28_x86_64.whl"
# Triton-Ascend 下载 URL（同样区分架构）
ARG TRITON_URL_ARM64="https://gitcode.com/Ascend/triton-ascend/releases/download/v3.2.1/triton_ascend-3.2.1-cp311-cp311-manylinux_2_27_aarch64.manylinux_2_28_aarch64.whl"
ARG TRITON_URL_AMD64="https://gitcode.com/Ascend/triton-ascend/releases/download/v3.2.1/triton_ascend-3.2.1-cp311-cp311-manylinux_2_27_x86_64.manylinux_2_28_x86_64.whl"

评论区精华

Review 中主要讨论了以下问题：

• 版本不匹配问题：gemini-code-assist 指出 Dockerfile 中默认 PYTORCH_VERSION 仍为 2.8.0，但 PTA URL 已指向 2.10.0，存在不一致风险。该问题已在后续 commit 中修复。
• 硬编码建议：建议在 sgl-kernel-npu 的下载命令中使用 ${PYTORCH_VERSION} 变量代替硬编码 torch2.10.0。该建议未被采纳，当前仍为硬编码。
• OPTIONAL_DEPS 移除：Makcum888e 和 ping1jing2 指出当 OPTIONAL_DEPS 非空时需要安装 PyTorch 2.10.0，最终 PR 直接移除了该条件分支，统一升级。
• 重复代码提取：ping1jing2 建议将 nightly-test-npu.yml 中多处重复的安装命令提取为公共脚本放入 scripts/ci/npu/，以减少维护成本。该建议未被实现，仍保留重复。
• CI 镜像管理方案：ping1jing2 建议使用 env 变量来定义镜像标签，但 PR 最终采用了新增 set-image-config job 的方式。两种方案各有利弊，但 set-image-config 在并行 trigger 场景下更灵活。

• sgl-kernel-npu 已知 bug：VDV1985 指出升级后的 tag 2026.05.01.post3 仍包含 Qwen3.5 的崩溃 bug，需要创建新的 release。PR 后可能需要进一步跟进。

  • Dockerfile 版本不匹配 (correctness): 已修复，最终版本中 PYTORCH_VERSION 已更新为 2.10.0。
  • sgl-kernel-npu 下载使用变量 (design): 未采纳，仍保留硬编码。
  • OPTIONAL_DEPS 分支清理 (refactor): 已解决，统一使用 PyTorch 2.10.0。
  • nightly 测试重复代码抽象 (testing): 未实现，仍保留重复。
  • CI 镜像标签管理方式 (design): 采用 set-image-config job，该方案在并行触发时更灵活。
  • sgl-kernel-npu 已知崩溃 bug (correctness): 待跟进，PR 已使用 post3 tag，但需要后续发布修复版本。

风险与影响

• 风险：主要风险包括：
  • 兼容性风险：新版本的 CANN 9.0.0、PyTorch 2.10.0、PTA 等可能与现有模型代码存在兼容性问题，需通过 CI 验证。
  • 已知组件 bug：sgl-kernel-npu 2026.05.01.post3 被指出包含 Qwen3.5 崩溃的 bug，可能导致特定模型测试失败。
  • CI 配置变更风险：set-image-config job 的引入改变了 job 间的依赖关系，可能影响 CI 触发逻辑（如 skip 条件）。需要确认 if 条件是否正确，避免测试被意外跳过。
  • 硬编码不一致风险：Dockerfile 中 sgl-kernel-npu 的下载路径仍硬编码了 torch2.10.0，若未来 PyTorch 版本再次变更，容易遗漏更新。
• 影响：此 PR 主要影响 NPU 后端的开发者和 CI 维护者：
  • 开发者：升级后的基础软件可能带来性能提升或新功能，但也可能引入临时兼容性问题。需要关注 CI 反馈。
  • 系统：NPU 的 Docker 镜像和 CI 将使用新版本依赖，确保与官方支持一致。
  • 团队：CI 维护者需要适应新的镜像管理方式（set-image-config），减少未来升级时的工作量。但 nightly 测试中的重复代码问题未被解决，仍存在维护负担。
  • 风险标记：依赖版本冲突风险, 已知组件bug未修复, CI配置变更影响范围广, 硬编码版本维护隐患

关联脉络

• 暂无明显关联 PR