verl-project/verl

更新 Ascend CI 镜像标签，调整 nightly 调度与依赖

该 PR 属于纯 CI 治理，逻辑机械，不建议逐文件精读；但如果你负责 CI 或 NPU 硬件支持，值得关注两点：一是镜像标签从长版本号收敛为「后端 + 硬件」短标签的治理思路，让版本升级从改 20 个文件变成换一个 latest 标签；二是 crane CLI 从 tag delete 迁移到 delete 的踩坑点。可与 #7345、#7338、#7311 结合起来看 Ascend CI 镜像体系的完整演进。

Slurm 示例新增 RAY_NETWORK_INTERFACE 配置，支持绑定指定网卡

值得快速浏览，特别是需要在 Slurm 多网卡集群上部署 verl 的团队。本 PR 的设计体现了「配置化优先、默认行为不变」的原则，通过 srun 动态解析每节点 IP 并显式绑定，确保了正确性和可诊断性。对于示例代码审查者，可关注 srun --overlap 的兼容性和错误处理路径。

Ascend 文档新增过滤冗余日志提示

作为文档补充，值得快速浏览；对于维护者，可考虑在 `install_guidance_A5.rst` 等其他 NPU 教程页面同步相同提示，以保持文档一致性。

修复 NPU 上 TND 格式 VLM attention mask 缺失

值得精读：对使用 NPU + Megatron + VLM（尤其是 Qwen3.5-VL）的团队，这是理解 remove_padding 下 VLM mask 数据契约的关键修复。值得关注的设计决策是在 mask 构造函数中统一保证非空，而不是在每个 bridge 侧兜底，属于最小侵入修复。建议后续跟进 `build_vlm_attn_mask_bshd` 的一致性处理与单元测试补充。

CI 工作流从 fully_async 迁移到 v1 separate_async

值得阅读，尤其关注其 CI 迁移方式和参数校验设计。建议合入后重点观察：1) `e2e_v1_separate_async_*` 系列工作流首次运行是否全绿；2) 被删除的 GenRM 覆盖是否需要补回 v1 路径；3) 后续 `fully_async` recipe 化是否按此方案推进。

修复混合 LoRA 模型 .base_layer 权重名解析崩溃

值得精读。它展示了一个典型的“模型级判断”在混合结构下失效的案例，改为“per-name + mapper-aware”的判断是良好的设计取舍。PR body 对两个连续 bug 的根因分析（vLLM 0.26.0 的 loader 递归行为、Bridge 导出前缀与活命名空间差异）质量很高，能帮助理解 verl 的权重同步链路。新增测试精确覆盖了回归场景，可作为类似边界条件的测试范本。

修复 Qwen3.5 Megatron router replay 静默失效

值得精读。该 PR 是“进程级全局可变列表在复杂构建流程下寻址失效”的典型案例，展示了从“按列表位置”到“按实际对象树”寻址的设计范式；MTP `layer_number` alias 的二次修复说明 review 对边界条件的价值。阅读时可重点看 `iter_model_routers` 的 decoder scope 与 `set_router_replay_data` 的 MoE 序号换算逻辑，并关注后续 VPP 场景下 `layer_number` 语义是否需要在真实训练中验证。

修复 NPU nightly CI，升级 Ascend 依赖版本

建议 CI 维护者精读，尤其是 Docker 临时 tag 清理逻辑和 veomni 安装方式，可作为 Ascend CI 标准配置参考。同时建议后续将依赖版本（Megatron / MindSpeed / triton-ascend）集中到常量或锁文件管理，避免散落在 workflow 和脚本中。值得关注的设计决策是：用 `pip install` 替代 `uv` 以支持 `--ignore-requires-python`，以及用 `crane` 清理临时 tag，这两点对快速维护 CI 有借鉴意义。