执行摘要

• 一句话：恢复 GB300 CI 任务，nightly、PR 与 DeepGEMM 测试回线
• 推荐动作：值得快速浏览，作为“runner 恢复后如何回滚禁用 CI 的模板”；对源码阅读没有价值。重点关注两点：restartPolicy 对 runner 可用性的保障方法，以及评论中对 EADDRINUSE 的系统性排查（ephemeral 范围、外部占用排除）。不建议精读。

功能与动机

GB300 是 Blackwell 系列重要推理平台，此前因 runner 不可用（个别 pod 丢失、宿主重启后无法恢复）在 #31764 中禁用相关 CI。作者在 PR body 中说明：两个 GB300 runner 已重新上线并携带 4-gpu-gb300 标签，重新创建的 gb300-4-gpu-03 这次使用了 restartPolicy: Always，宿主重启也不会再让它永久离线；并在真实安装路径（GRACE_BLACKWELL=1 ci_install_deepep.sh）上 smoke test 通过，因此可以恢复被禁用的任务。

实现拆解

1. 恢复夜间性能套件：在 .github/workflows/nightly-test-nvidia.yml 中取消 nightly-test-perf-4-gpu-gb300 job 的注释，恢复 4 个 model 矩阵（glm5-nvfp4、qwen35-fp8、deepseek-v4-pro-fp4、kimi-k25-nvfp4），并在 workflow 调度列表（on: 事件与 consolidate-metrics 的依赖项）中重新加入该 job。该 job 使用 GRACE_BLACKWELL=1 ci_install_deepep.sh 安装依赖，通过 run_suite.py --hw cuda --suite ... --nightly --continue-on-error 运行，并保留 trace 发布与 coredump 上传步骤。
2. 恢复 PR 门禁：在 .github/workflows/pr-test.yml 中恢复 base-c-test-4-gpu-gb300，复用 _pr-test-stage.yml 模板，设置 runner_config: 4-gpu-gb300、单文件超时 1800 秒，并把该 job 加回 pr-test-finish 的 needs 列表，使 GB300 测试重新成为每次 commit 合并前的必过门禁。
3. 恢复 wheel 构建：在 .github/workflows/release-whl-deepgemm.yml 中恢复 sm100-aarch64 矩阵项（runner: 4-gpu-gb300），保留 sm120 的注释状态（#32193 的 skip 与本次恢复无关）。
4. 配套说明：三个改动均为 workflow 配置，无产品代码、测试或 schema 变更；实际验证依赖 GitHub Actions 的 rerun（/rerun-test）与两次真实 job 运行。

关键文件：

• .github/workflows/nightly-test-nvidia.yml（模块 夜间测试；类别 infra；类型 infrastructure；符号 nightly-test-perf-4-gpu-gb300）: 恢复了整个 GB300 夜间性能套件的 job 定义与调度入口，是本 PR 最大的配置恢复，影响 4 个模型矩阵的 nightly 基准。
• .github/workflows/pr-test.yml（模块 PR 测试；类别 infra；类型 infrastructure；符号 base-c-test-4-gpu-gb300, pr-test-finish）: 恢复 per-commit GB300 测试并把其加入 pr-test-finish 门禁，直接影响每个 PR 的合并质量门槛。
• .github/workflows/release-whl-deepgemm.yml（模块 发版构建；类别 infra；类型 infrastructure；符号 sm100-aarch64）: 恢复 aarch64 DeepGEMM wheel 的构建矩阵项，低频但影响发版物覆盖。

关键符号：未识别

评论区精华

1. alisonshao 第一次 rerun 后，bot 回报 4-gpu-gb300 上 4 个测试中 test_deepseek_v3_cutedsl_4gpu 失败（两次在 torch-dist init 因 EADDRINUSE 退出，端口 39539、39537，exit code -3），其余通过；4-gpu-b200 上 test_numa_utils 通过。
2. alisonshao 的归因分析：失败端口落在宿主 ephemeral 范围 32768-60999 内，属于服务器自己端口规划冲突；主机上该范围 0 监听、0 socket 绑定，排除外部占用；test_flashinfer_a2a 通过说明 NVSHMEM bootstrap 正常。她明确指出这是 main 上 #31731 修复的竞态，与本 PR 无关（本 PR 只取消注释）。
3. 第二次 rerun 后，4-gpu-gb300 4 个测试与 4-gpu-b200 1 个测试全部通过，恢复的 job 在真实 runner 上稳定；reviewer Fridge003 直接 approve。

• 首次 rerun 结果：GB300 测试失败报告 (testing): 失败仅限单个 DeepSeek 4-GPU 测试，其余 GB300 测试（test_numa_utils、test_flashinfer_a2a、test_disaggregation_aarch64）均通过。
• EADDRINUSE 失败归因讨论 (correctness): 确认失败非本 PR 引入，不阻塞恢复 GB300 任务。
• 二次 rerun 验证 (testing): 恢复的 GB300 CI 任务在真实 runner 上稳定通过，Fridge003 approve。

风险与影响

• 风险：
  1. nightly-test-nvidia.yml 的 job 使用 runs-on: 4-gpu-gb300-nightly，body 明确当前没有任何 runner 携带该标签，恢复的 nightly perf suite 会一直排队，直到运维添加标签——这是最直接的配置与资源不匹配风险。
  2. pr-test.yml 将 base-c-test-4-gpu-gb300 重新纳入 pr-test-finish 门禁，若 GB300 runner 再次离线（尽管有 restartPolicy: Always，仍可能因其他原因下线），PR 合并会被 pending 阻塞。
  3. GB300 上曾出现的 EADDRINUSE 失败被定位为 main 上已存在的端口竞态（get_free_port() 与 ephemeral 端口范围冲突），本 PR 不包含修复，依赖 #31731/#33044 等后续 PR；合入时 main 已含修复，残余风险低。
  4. 三个 workflow 文件都是纯注释解除与矩阵恢复，没有本地可执行验证手段，只能依赖 Actions 实际运行；一旦 YAML 缩进或 key 错误会静默失效，但已通过 rerun 实测。
     - 影响：对用户无运行时影响，整个 PR 仅涉及 CI/CD 配置。对开发者：GB300/Blackwell 相关改动会重新触发 4-gpu-gb300 的 PR 测试；nightly 恢复 4 个模型的 GB300 性能基准（glm5-nvfp4、qwen35-fp8、deepseek-v4-pro-fp4、kimi-k25-nvfp4）。对发布流程：sm100-aarch64 DeepGEMM wheel 重新进入构建矩阵。对团队：恢复 Grace-Blackwell 平台的回归防线，同时需要运维补充 4-gpu-gb300-nightly runner 标签避免夜间任务积压。
     - 风险标记：runner 标签不匹配, 夜间任务可能排队, CI 配置无本地验证

关联脉络

• PR #33044 [CI] Pin NCCL ports for GB300 PR tests: 同是 GB300 CI 恢复线上的后续修复合入；本 PR 恢复到 GB300 PR 测试后暴露了 EADDRINUSE 端口冲突，该 PR 通过固定 NCCL 端口消除同类竞争失败，属于同一 CI 功能线的收尾。