执行摘要
- 一句话：修复MLFlow发布指标失败时的阻塞问题，确保训练进度不受影响。
- 推荐动作：该PR值得快速浏览，了解非阻塞错误处理的实现模式。重点关注重试策略的设计决策（避免sleep以保持训练流畅性），适合工程师学习如何在关键路径中处理外部依赖故障。
功能与动机
PR body中指出，MLFlow在训练中偶尔会出现异常（如凭证问题），导致训练进度被阻塞。为避免这种罕见但影响严重的情况，需要让指标发布失败变为非阻塞，从而不影响训练连续性。这是继#5548中MLFlow初始化问题后的修复跟进。
实现拆解
在verl/utils/tracking.py的log方法中，将直接调用mlflow.log_metrics替换为最多MLFLOW_MAX_ATTEMPTS次的重试循环。每次尝试失败后记录日志但不sleep，以避免引入延迟；成功则立即返回，失败多次后发出警告但不中断流程。
关键文件：
verl/utils/tracking.py（模块 utils/tracking）: 唯一修改的文件，核心变更在log方法中添加了MLFlow指标发布的重试逻辑，实现了非阻塞错误处理。
关键符号：log
评论区精华
review中，gemini-code-assist[bot]建议使用self.logger代替模块级logger以提高代码一致性，并简化日志语句（如直接传递参数而非中间变量）。作者sheilaliuxl立即采纳并修复，无进一步争议。
- 日志记录一致性优化 (style): 作者采纳建议并修复代码，增强了类内部一致性。
风险与影响
- 风险：风险较低：重试机制可能掩盖MLFlow服务的持久性故障，导致指标丢失而不报警；无sleep设计可能在高失败率时增加日志输出噪音。但变更仅影响单个文件，对核心训练逻辑无侵入性，且错误处理逻辑简单，回归风险小。
- 影响：对用户透明：训练过程更健壮，MLFlow指标发布失败时不会中断训练。系统层面：增加了少量重试开销和日志记录，但不影响训练性能。团队需注意
MLFLOW_MAX_ATTEMPTS的配置合理性，避免无限重试或资源浪费。
- 风险标记：可能掩盖持久失败, 日志噪音增加
关联脉络
- PR #5548 未知（未在历史PR列表中提供）: PR body中提及此PR是#5548（MLFlow初始化问题）的后续修复，表明两者在MLFlow集成错误处理上有连续性。
参与讨论