执行摘要

本周（2026-06-01 至 2026-06-07）仓库进入密集重构与修复阶段，共合并 36 个 PR（其中 24 个重点 PR）。最显著的变化是平台抽象层（#6086）和 SkipManager（#6097）两大基础设施重构落地，标志着仓库向多硬件可扩展性和统一调试能力迈出重要一步。同时，NPU 适配持续深化（MXFP8、Qwen3.5-122B、CANN 升级），多项关键 Bugfix（安全 RCE、显存泄漏、资源泄漏）显著提升系统稳定性，CI 系统也完成了 pip→uv 迁移、模型升级和日志路径统一。Megatron Checkpoint 管理器重构（#6014）进一步提升了可维护性与兼容性。

本周重点变化

基础设施重构

• 平台抽象层（#6086）：引入 PlatformBase 和 PlatformRegistry，通过装饰器动态注册新硬件平台；EngineRegistry 改为 last-writer-wins 策略，允许外部插件覆写引擎实现。为 NVIDIA、Ascend、Cambricon 等多芯片提供统一可扩展接口。
• SkipManager（#6097）：创建 BaseSkip 基类和 SkipManager 装饰器，统一管理 rollout 等环节的调试跳过方案，替代原有 RolloutSkip，支持同步/异步模式，并预留扩展点。
• Megatron Checkpoint 重构（#6014）：采用分层构建器重写 MegatronCheckpointManager，引入 v2 目录结构（model/、optimizer/、extra/），新增迁移脚本一键升级旧版 checkpoint；将 use_dist_checkpointing 重命名为 use_mbridge 提升 API 清晰度。

NPU 适配增强

• MXFP8 训练修复（#6562）：修复 Ascend NPU 上 MXFP8 训练的量化缓存重置、导入失败和自动检测误判问题，引入独立环境变量 VLLM_ASCEND_TASK_QUEUE_ENABLE。
• Qwen3.5-122B 支持（#6582）：新增 Ascend 上运行 Qwen3.5-122B MoE GRPO 的脚本，通过自动检测设备实现 GPU/NPU 配置分离。
• CANN 升级（#6520）：NPU 环境从 CANN 8.5.0 升级至 9.0.0，同步适配 transformers 5.3.0 中 MoE 权重存储格式变化。
• CI 工具链升级：Ascend CI 工作流中 pip 迁移为 uv pip（#6535），NPU 测试模型从 Qwen2.5 切换至 Qwen3（#6554），日志路径统一（#6600）。

关键 Bugfix

• 安全漏洞修复（#6542）：修复 Qwen3 工具解析器因使用 eval 导致的 RCE 漏洞，替换为 ast.literal_eval 并添加 CPU 测试。
• 显存泄漏修复（#6447）：Megatron ref 模型 offload 时 GPU 显存未释放，通过同步拷贝和 storage().resize_(0) 修复。
• FSDP2 检查点修复（#6604）：当使用 CPUOffloadPolicy 时 save_checkpoint 崩溃，添加 _uses_fsdp2_cpu_offload_policy 判断。
• Worker 计数泄漏（#6544）：NaiveRouter 在请求重试失败后未释放 worker 计数，通过 try/finally 确保释放。
• MTP 损失 NaN 修复（#6464）：上下文并行中 num_tokens=0 导致 NaN，使用 clamp 到 1 修复，并校正 per-token 损失梯度归一化。
• 多模态缓存重置（#6522）：权重更新后同时重置多模态和编码器缓存，避免特征错误。

CI 改进

• 稳定主 CI（#6568）：修复 fully async FSDP2 OOM，添加缺失的依赖安装步骤。
• FSDP actor/critic CI 修复（#6550）：增加序列并行与 use_remove_padding 的运行时校验。
• VeOmni 安装测试修复（#6557）：简化模拟模块缺失的方式，提高测试可靠性。

模块与主题趋势

本周 PR 标签分布显示 bugfix（14 个）居首，其次是 infra 和 npu（各 12 个），ci（8 个） 和 megatron（5 个） 紧随其后。这表明团队在追求新功能的同时，重点在于修复既有问题、加固基础设施和适配 NPU 硬件。模型支持方面，Qwen3 系列成为主力，Qwen2.5 测试被逐步替换。作者方面，wuxibin89（5 个）、daikang6（4 个）、hustmf（3 个）贡献最多，社区参与活跃。热点文件集中在 Ascend CI 配置（e2e_ascend.yml、nightly_ascend.yml）、Megatron 工具函数（megatron_utils.py）和文档索引（docs/index.rst），反映出 CI 稳定性、Megatron 支持和文档组织是当前迭代重点。

风险观察

1. 核心路径变更风险：平台抽象层和 SkipManager 均涉及 engine 和 rollout 核心路径，虽然已通过 code review，但大规模重构后可能出现隐藏的兼容性问题，建议下周安排专项回归测试。
2. 测试覆盖不足：多个重要 Bugfix（如 #6544 worker 泄漏、#6447 显存泄漏）没有附加单元测试，依赖人工审查，可能遗漏边界情况。建议后续补全测试。
3. 配置兼容性：SkipManager 引入新配置体系，旧配置（如 RolloutSkip）已被删除，用户需迁移；当前 main_ppo_sync 尚未适配。
4. 未解决 Review 问题：部分 NPU 脚本（#6582、#6554）存在硬编码路径、Ref 模型配置缺失等未采纳的建议，可能影响实际运行稳定性。
5. CI 环境变化：pip→uv 迁移和 CANN 升级可能带来依赖解析行为变化或兼容问题，需持续监控 CI 通过率。

重点 PR 速览

• #6086（平台抽象层，重要性 9.4）：定义 PlatformBase 和 PlatformRegistry，支持通过装饰器注册新硬件平台；EngineRegistry 允许外部插件覆写。Review 中接受了复用 VERL_USE_EXTERNAL_MODULES、移除 CPU 后端等建议。
• #6097（SkipManager，重要性 9.4）：创建 BaseSkip 基类和 SkipManager 装饰器，统一管理 rollout skip，替代原有 RolloutSkip。修复了验证批次污染、属性初始化等问题。当前 main_ppo_sync 尚未适配。
• #6014（Megatron 重构，重要性 9.4）：采用分层构建器重构 MegatronCheckpointManager，引入 v2 目录结构，新增迁移脚本。Review 中讨论了命名和安全性问题，部分建议已采纳。
• #6542（安全漏洞修复，重要性 7.4）：修复 Qwen3 工具解析器 RCE 漏洞，用 ast.literal_eval 替换 eval，并添加 CPU 测试。直接获批合并。
• #6612（VeOmni 内存优化，重要性 8.2）：将专家重配内存从 O(E) 降至 O(E/ep_size)，通过 broadcast 循环替代 all_gather。Review 指出 group_src 参数和 buffer 共享问题未解决，需关注。
• #6447（显存泄漏修复，重要性 7.0）：在 Megatron ref 模型 offload 中，通过同步拷贝和 storage().resize_(0) 释放 GPU 存储，并添加安全检查。建议补充单元测试。
• #6562（Ascend MXFP8 修复，重要性 6.9）：修复 MXFP8 训练三大问题，引入重置函数和环境变量。Review 中防御性检查已采纳。
• #5760（Profiling 窗口，重要性 9.0）：支持部分 token profiling 窗口配置，减少 trace 数据量，映射到 vLLM 和 SGLang 参数。验证逻辑重复问题待重构。

后续建议

1. 加强重构后验证：平台抽象层和 SkipManager 变更较大，建议下周安排专项回归测试，覆盖主要训练流程（GRPO、PPO）和硬件配置（GPU/NPU）。
2. 补充缺失测试：针对 #6544、#6447 等关键 Bugfix 开发对应单元测试，防止回归。
3. 跟进未解决 Review 问题：PR #6582 的 Ref 模型配置缺失、#6612 的 buffer 共享风险、#6550 的 model_config 类型兼容性等应在后续 PR 中修复。
4. 推广 CI 改进经验：uv 迁移和模型升级效果稳定后可推广到更多工作流；日志路径统一做法可规范化为标准实践。
5. 提升 NPU 脚本质量：对存在硬编码路径和未采纳最佳实践的脚本进行统一审查和修复。
6. 版本规划：版本已升至 0.9.0.dev，下周可考虑进入 RC 阶段，集中解决剩余风险点，为正式发布做准备。