执行摘要

• 一句话：新增 AMD ROCm e2e PPO 训练 CI 工作流
• 推荐动作：值得合并以扩展硬件支持；建议确认 runner 就绪并定期更新镜像版本。

功能与动机

扩大 CI 覆盖至 AMD ROCm 硬件，确保 veril 在 MI300 上的兼容性，与现有 NVIDIA 和 Ascend 工作流对齐。

实现拆解

1. 工作流文件创建：在 .github/workflows/ 下新建 e2e_ppo_trainer_megatron_vllm_rocm.yml，定义触发条件（push/PR 到 main/v0.* 分支，指定路径过滤）。
2. 作业定义：包含 e2e_ppo_trainer_fsdp_vllm_rocm（FSDP/FSDP2/DDP，GSM8K 函数奖励测试 + checkpoint 合并）和 e2e_ppo_trainer_megatron-moe-expert-parallel_rocm（Megatron-Bridge 3D 并行 MoE 测试，含 FP8 rollout）。
3. 清理作业：cleanup_rocm 在 if: always() 下运行，移除测试遗留的 checkpoint 文件。
4. 容器与挂载：使用 verlai/verl:rocm702-vllm020-te210-20260518 镜像，挂载 /dev/kfd、/dev/dri 等 ROCm 设备，以及宿主模型/数据目录。

关键文件：

• .github/workflows/e2e_ppo_trainer_megatron_vllm_rocm.yml（模块 CI 工作流；类别 infra；类型 infrastructure）: 唯一变更文件，定义了整个 ROCm CI 工作流的触发条件、作业和清理步骤。

关键符号：未识别

评论区精华

无 review 讨论；仅 Gemini 自动评论表示无法生成 review。

• AI review 不可用 (other): 无实际讨论。

风险与影响

• 风险：仅涉及 CI 基础设施，无代码逻辑变更。风险主要在于 self-hosted ROCm runner 的可用性和维护成本；若 runner 不可用，工作流会挂起或失败。另外，工作流中硬编码的镜像路径和依赖可能需要随版本更新。
• 影响：对用户无直接影响；对开发流程有正面影响，确保 ROCm 回归测试覆盖；对 CI 团队增加工作流维护负担。
• 风险标记：新硬件支持, 依赖外部 runner, 无代码变更

关联脉络

• PR #6619 Add ROCm Dockerfile and update README: 同为 ROCm 支持的一部分，该 PR 提供 Docker 镜像和文档，本 PR 依赖该镜像运行 CI。