执行摘要
此 PR 为 sglang 仓库添加了一个针对 AMD MI350X（ROCm 7.2）硬件的夜间 CI 工作流。它通过自动解析最新 dated miles 镜像，运行三套 e2e 测试套件（2/4/8-GPU），填补了 AMD 硬件回归测试的空白。无需修改核心 Python/CUDA 代码。
功能与动机
PR body 明确说明：“Add a nightly GitHub Actions workflow for the Miles ROCm 7.2 MI350X e2e suites.” 动机是为 AMD MI350X 硬件在代码变更后提供持续的自动化回归检测，提升平台稳定性。
实现拆解
- 工作流定义：新增
.github/workflows/nightly-test-amd-miles-rocm720.yml，配置 cron 调度（UTC 17:30）和手动触发（workflow_dispatch），支持自定义镜像标签和继续运行出错开关。
- 并发与矩阵策略：使用
concurrency 组避免重复执行；通过矩阵定义三个套件（stage-c-2-gpu-mi350、stage-c-4-gpu-mi350、stage-c-8-gpu-mi350），分别映射到自托管 runner：2-GPU 套件使用 linux-mi35x-gpu-2，其余使用 linux-mi35x-gpu-8。
- 镜像解析：首先登录 Docker Hub，然后遍历最近 7 天日期，用
docker manifest inspect 探测 rocm/sgl-dev:miles-rocm720-mi35x-<date> 标签是否存在，避免实际拉取镜像。若无可用标签则报错退出。
- 环境准备：调用
ensure_vram_clear.sh 清理显存，然后通过 amd_ci_start_container.sh 启动 miles 容器，并传递自定义镜像变量 MILES_IMAGE。
- 测试执行：在容器内设置
PYTHONPATH=/root/miles:/opt/tilelang，然后运行 python3 tests/ci/run_suite.py --hw rocm --suite <suite> --match-all-labels，支持 --continue-on-error 参数。测试结果写入 GitHub Step Summary。
此 PR 为纯 CI 配置变更（YAML），无核心函数或类变更，因此不展示源码片段。详细配置可查看 nightly-test-amd-miles-rocm720.yml。
评论区精华
- PYTHONPATH 覆盖：@bingxche 指出原始覆盖会丢失
/opt/tilelang。@XinyuJiangCMU 随即修复为包含两个路径。
- 镜像解析来源：@bingxche 坚持使用公共 Docker Hub 而非本地 registry，@XinyuJiangCMU 修改为
docker manifest inspect 探测公共标签。
- 外部依赖：@bingxche 提问
--hw rocm 是否依赖 miles#1379，@XinyuJiangCMU 确认是，当前提交可能暂时不可用。
风险与影响
- 镜像可用性：若 dated 镜像未按时推送或超过 7 天，工作流报错退出。
- 环境差异：4-GPU 套件在 8-GPU runner 上执行，可能掩盖特定连通性问题。
- 外部依赖：测试套件注册在 miles 仓库，sglang 无法控制其注册时机，可能导致空套件。
- 资源占用：多矩阵任务可能长时间占用 GPU runner。
影响范围局限于 AMD CI 基础设施，对用户无感知，但可提升 AMD 硬件的测试覆盖和发布信心。
关联脉络
此 PR 与 #29084 形成 AMD nightly 测试体系：前者覆盖 MI355X 分解基准测试，后者覆盖 MI350X 通用 e2e 测试。共同体现了 sglang 社区对 AMD 硬件持续集成投入的增加。
参与讨论