执行摘要

• 一句话：调整 AMD CI 测试估计时长以修复分区超时
• 推荐动作：值得快速浏览以理解 CI 分区机制和实践（基于 est_time 的 LPT 分区器）。对于负责 CI 维护的工程师，这是一个良好的参考案例：如何通过校准测试估计时间来避免分区超时，而无需增加硬件资源或放宽超时限制。

功能与动机

stage-c-test-large-8-gpu-amd-mi35x 分区 0 在定时 main 分支运行时间歇性触发 60 分钟 Run test 步骤超时。PR body 明确指出根因是分区不平衡而非代码回归：所有重测试均使用相同的占位 est_time=3600，导致 LPT 分区器无法根据实际运行时负载进行均衡。

实现拆解

1. 分析根因：通过检查 CI 运行日志和测试实际耗时，发现分区 0 包含最重的三个测试（test_kimi_k25_mxfp4_bcg_mi35x 约 35 分钟、test_deepseek_r1_mxfp4_8gpu 约 22 分钟、test_breakable_cuda_graph 约 3 分钟），总计可达 60 分钟以上；而分区 1 仅约 17 分钟。
2. 调整 est_time：将 5 个测试文件的 register_amd_ci 或 register_cuda_ci 调用中的 est_time 参数从统一的 3600 替换为基于实测的合理值：
   • test_kimi_k25_mxfp4_bcg_mi35x：3600 → 2100
   • test_deepseek_r1_mxfp4_8gpu：3600 → 1300
   • test_kimi_k25_mxfp4：3600 → 700
   • test_qwen3_coder_next_8gpu：3600 → 450
   • test_breakable_cuda_graph：120 → 200
3. 验证效果：通过在多轮 CI 运行中验证，分区 0 包含 kimi_k25_mxfp4_bcg 和 breakable_cuda_graph，总耗时约 34-40 分钟；分区 1 包含其余三个测试，总耗时约 29-39 分钟。两个分区均在 60 分钟超时限制以内，无需调整超时阈值。

关键文件：

• test/registered/amd/test_deepseek_r1_mxfp4_8gpu.py（模块 AMD 测试；类别 test；类型 test-coverage）: 修改 DeepSeek R1 MXFP4 8-GPU 测试的 est_time 从 3600 降至 1300，基于实测运行时间。
• test/registered/amd/test_kimi_k25_mxfp4.py（模块 AMD 测试；类别 test；类型 test-coverage）: 修改 Kimi K2.5 MXFP4 测试的 est_time 从 3600 降至 700，基于实测运行时间。
• test/registered/amd/test_kimi_k25_mxfp4_bcg_mi35x.py（模块 AMD 测试；类别 test；类型 test-coverage）: 修改 Kimi K2.5 MXFP4 BCG 测试的 est_time 从 3600 降至 2100，基于实测运行时间。这是套件中最重的测试（约 35 分钟），正确设置其 est_time 是平衡分区的关键。
• test/registered/amd/test_qwen3_coder_next_8gpu.py（模块 AMD 测试；类别 test；类型 test-coverage）: 修改 Qwen3 Coder Next 8-GPU 测试的 est_time 从 3600 降至 450，基于实测运行时间。
• test/registered/cuda_graph/breakable/test_breakable_cuda_graph.py（模块 CUDA 图测试；类别 test；类型 test-coverage）: 修改 breakable CUDA graph 测试的 AMD CI est_time 从 120 微调至 200，以更准确反映其实际运行时间（约 180 秒）。

关键符号：未识别

评论区精华

无实质性 review 讨论。HaiShaw 直接批准，无评论。PR 作者在 Issue 评论中提供了三次 CI 触发验证链接，确认分区重新平衡后未超时。

• 暂无高价值评论线程

风险与影响

• 风险：风险极低。变更仅修改测试注册时的 est_time 参数，不影响任何生产代码、模型推理逻辑或测试的行为语义。错误的 est_time 值（例如设置过低）可能导致未来新增测试时分区再次不平衡，但当前值基于多次实测的上限设置，留有足够余量。不涉及回归、性能、安全或兼容性风险。
• 影响：影响范围仅限于 AMD MI35x 8-GPU CI 测试套件的分区调度。对用户无影响；对系统表现为 CI 流水线取消间歇性超时失败，提高 CI 稳定性；对团队而言减少了因超时导致的无效重跑和排查时间。
• 风险标记：测试配置变更, 不影响生产代码

关联脉络

• PR #27833 [Kimi/K2.5/MXFP4/BCG/MI35x] Add BCG test for MI35x: 该 PR 新增了测试 test_kimi_k25_mxfp4_bcg_mi35x.py，其 est_time=3600 是导致分区超时的直接原因。当前 PR 将其 est_time 调整为 2100。