执行摘要

• 一句话：修复 ROCm 测试容器中 GPU 架构检测，避免 JIT 编译所有架构，提升测试效率。
• 推荐动作：对于从事 CI/CD 或 ROCm 集成的工程师，此 PR 值得一读以了解如何优化环境变量管理以激活自动检测逻辑。重点关注环境变量覆盖的策略和脚本稳定性的改进点，如避免 grep 命令的风险。

功能与动机

根据 PR body，基础 Docker 镜像设置 PYTORCH_ROCM_ARCH 为所有支持的架构用于构建时编译，该值在运行时仍存在。当 Quark 的 JIT 内核编译在测试期间运行时，它会选择这个广泛的列表并编译所有架构，而不是仅编译机器上存在的 GPU。Quark 有自动检测逻辑（set_rocm_user_architecture），但只在 PYTORCH_ROCM_ARCH 未设置时激活。由于 Docker 镜像总是设置它，自动检测被跳过，因此需要覆盖该环境变量以激活检测。

实现拆解

实现方案包括修改 .buildkite/scripts/hardware_ci/run-amd-test.sh 脚本。关键改动是在 docker run 命令中添加 -e "PYTORCH_ROCM_ARCH=" 来取消设置环境变量，使得 Quark 的自动检测逻辑可以生效。提交历史显示从最初尝试检测 GPU 架构并设置值（使用 rocm_agent_enumerator 过滤 CPU 架构 gfx000，失败时回退到 gfx90a;gfx942;gfx950）到最终选择直接取消设置，简化实现并避免潜在错误。

关键文件：

• .buildkite/scripts/hardware_ci/run-amd-test.sh（模块 CI/Infrastructure）: 这是唯一修改的文件，负责 AMD ROCm 测试容器的运行脚本，添加环境变量覆盖以优化 GPU 架构检测。

关键符号：未识别

评论区精华

review 中，gemini-code-assist[bot] 指出一个潜在问题：在脚本中使用的 grep -v 命令如果 set -e 和 set -o pipefail 启用，可能会导致脚本提前退出，因为 grep 在没有匹配时退出状态为 1。建议使命令更健壮，避免管道失败。这个讨论未在后续评论中明确解决，但 PR 被 gshtras 批准并合并，可能已内部处理或风险被接受。

• 脚本命令稳定性 (correctness): PR 被批准，可能风险被接受或已修正，但讨论中未明确解决方案。

风险与影响

• 风险：技术风险包括：
  1. 脚本稳定性：如 review 所指，grep 命令可能导致脚本在启用 pipefail 时异常退出，影响 CI 流水线执行。
  2. GPU 架构检测失败：如果 rocm_agent_enumerator 失败或返回无效值，回退到默认架构列表可能不匹配实际 GPU，导致编译错误或性能下降。
  3. 兼容性：更改环境变量设置可能影响其他依赖该变量的组件，但鉴于只针对测试容器，风险较低。
     - 影响：影响范围仅限于运行在 AMD ROCm 硬件上的 CI 测试任务。影响程度：正面影响，通过避免不必要的 JIT 编译，减少测试时间和资源消耗，提升 CI 效率。对最终用户无直接影响，因为这是内部基础设施优化。对于团队，简化了测试环境的配置，减少了手动干预需求。
     - 风险标记：脚本稳定性风险, 检测失败回退

关联脉络

• PR #38594 [CI] Avoid concurrent docker pull in intel XPU CI runners to prevent rate limit issues: 同属 CI 基础设施优化，处理 docker 相关的问题。
• PR #37841 replace cuda_device_count_stateless() to current_platform.device_count(): 涉及设备检测和平台抽象，与 GPU 架构检测相关。
• PR #38596 [XPU]move testing dependencies from Dockerfile to xpu-test.in: 优化测试依赖管理，同样是 CI 脚本改进。