执行摘要

本周共处理28个PR（重点24个），聚焦于Ascend NPU兼容性修复、训练核心功能增强及可观测性建设。NPU相关PR占比43%，体现了对国产硬件生态的持续投入。重要新功能包括分片增量权重同步（#6974）、RL-Insight可观测性（#6680）、LoRA-only checkpoint（#7061）以及流式数据加载与异步恢复（#7037）。多项严重bug得到修复，如MoE指标偏差（#7075）、Megatron CP>1梯度爆炸（#6836）和视觉占位符token采样（#7038）。整体上，本周为即将到来的v0.9版本铺平了道路，但部分review遗留问题需在后续迭代中解决。

本周重点变化

• NPU兼容性提升：恢复因重构丢失的vLLM补丁（#7076），修复注意力掩码构建OOM（#7055），更新Docker镜像和CI脚本（#7035、#7081），同步Qwen3.5 Dockerfile（#7028）。同时清理了过时的NPU补丁代码（#7042），降低维护成本。
• 训练性能与功能增强：引入分片delta权重同步引擎（#6974），通过字节级diff和稀疏收集将权重同步速度提升2-3倍；支持流式数据加载（#7037），使gen_batch_size独立于train_batch_size，并基于TransferQueue实现训练器检查点恢复。
• 监控与存储优化：集成RL-Insight可观测性框架（#6680），支持Grafana展示训练指标和RL状态；LoRA-only checkpoint（#7061）将27B模型检查点从54GiB压缩至150MiB。
• 严重bug修复：MoE负载均衡指标排除最后一个未路由token（#7075）；Megatron CP>1下MoE辅助损失梯度爆炸（#6836）；屏蔽视觉占位符token防止训练崩溃（#7038）；修复Qwen3 XML工具解析器对畸形结构的崩溃（#7044）。

模块与主题趋势

本周标签统计显示bugfix居首（12次），NPU、CI、rollout模块改动频繁。rollout模块涉及工具调用、视觉token屏蔽和权重同步，多处修改集中于vllm_async_server.py。NPU模块有多达12个相关PR，但仍有配置兼容性风险未解决。CI相关PR（8个）持续优化，表明团队重视测试可靠性。checkpoint领域同时新增LoRA-only和流式恢复能力，成为基础设施亮点。总体来看，项目正从核心功能开发转向稳定性增强和生产化准备，异步训练和可观测性是明显的发展方向。

风险观察

• PR#7035在更新Docker镜像的shell脚本中设置enforce_eager=False且启用cudagraph_mode，与Ascend NPU不兼容，可能导致vLLM初始化失败，该问题未修复即合并。
• PR#7032的SkipManager在parameter_sync_step=1时破坏向后兼容，且中断运行可能引起数据污染，review指出的问题未解决。
• PR#7024的中英文profiling文档存在命令示例引号缺失和章节编号错误，用户直接复用可能失败。
• PR#6473对DeepSeek V4的MTP drafter权重准备覆盖未明确验证，存在遗漏风险。
• PR#7042移除旧NPU补丁后，依赖旧补丁的极端配置可能未完全清理，可能导致运行时错误。

重点PR速览

• #6974 分片delta权重同步：通过字节级diff和NCCL稀疏收集，仅传输变化的参数分片，在Qwen2.5-7B/32B/72B上取得1.9-3.1倍加速，是分离式异步训练的关键组件。
• #7061 LoRA-only checkpoint：新增save_lora_only选项，自动过滤非LoRA权重，节省约98%存储空间，支持自动检测与向后兼容，设计清晰。
• #6680 RL-Insight集成：低入侵的可观测性框架，通过环境变量控制，零成本禁用，支持训练指标和RL状态trace，适合生产监控。
• #7075 MoE负载均衡指标修复：排除序列末尾未路由的EOS/token，修正专家0负载虚高，确保负载均衡监控准确性。
• #6836 Megatron CP>1梯度爆炸修复：计算实际路由token数并正确归一化MoE辅助损失，配合防护逻辑阻止不合理配置，对长上下文训练至关重要。
• #7037 流式数据加载与异步恢复：支持gen_batch_size独立配置、drop与refill策略、基于TransferQueue的检查点恢复，显著提升训练灵活性和弹性。

后续建议

1. 优先修复NPU配置兼容性问题：PR#7035中enforce_eager设置需立即修正，避免CI阻塞；同时对齐shell脚本中的并行策略（如#6973中的EP/DP配置）。
2. 完善review遗留问题：对SkipManager（#7032）增加向后兼容和清理逻辑；确认MoE指标修复（#7075）后监控阈值是否需要调整。
3. 补充新模型测试：为DeepSeek V4增加MTP drafter专项测试，确保权重传输全覆盖。
4. 建立CI模板规范：避免硬编码路径（如#6973的/root），使用环境变量或通用占位符，提升脚本可移植性。
5. 强化文档验证：在CI中加入文档示例的语法检查，防止命令行引号缺失等问题流入主分支。