执行摘要

本PR通过在MI325平台启用内核核心操作测试，并跳过MI250上因量化精度问题导致的flaky测试，以提升CI稳定性而不放宽测试标准，属于ROCm平台测试优化的一部分。

功能与动机

动机源自MI250平台上test_fused_rms_norm_quant测试的失败，PR body中详细列出了16个失败案例，原因为量化边界舍入导致的数值精度flakiness。为避免降低测试容差，作者选择跳过受影响测试，并将默认测试环境切换至MI325，确保其他测试正常运行。

实现拆解

• 平台检测模块：在vllm/platforms/rocm.py中添加on_gfx90a()函数，检测MI250硬件，支持条件性逻辑。
• 测试逻辑模块：在tests/kernels/core/test_layernorm.py中，通过on_mi250变量动态设置ADD_RESIDUAL参数：当在MI250平台时，仅包含True值，跳过False用例；否则保持原参数列表。
• CI配置模块：修改.buildkite/test-amd.yaml，调整代理池步骤：将mi250_1步骤设为optional，mi325_1步骤设为非optional，优化测试执行优先级。

评论区精华

• 测试覆盖率争议：gemini-code-assist[bot]指出修改ADD_RESIDUAL会影响test_rms_norm的覆盖率，建议解耦参数列表。作者micah-wil回复'that's fine'，表示接受此权衡。
• 导入保护与命名：tjtanaa强调需在非ROCm平台保护导入，避免错误，并建议重命名变量为on_mi250。后续提交中已通过条件导入和重命名修正，如提交f0b8a00和ada50fc。

风险与影响

• 风险：测试覆盖率降低，可能掩盖MI250上的潜在量化bug；平台检测逻辑若未正确保护，可能导致跨平台兼容性问题；跳过测试而非修复问题，可能延缓根本解决。
• 影响：对用户无直接影响；系统层面减少flaky测试，提高CI可靠性；团队需关注测试策略的长期维护，并监控MI250硬件上的量化精度。

关联脉络

与近期历史PR紧密相关，如#38501（ROCm量化支持）、#38959（ROCm CI修复）和#32694（量化清理），共同推进ROCm平台和量化功能的测试与优化，显示vLLM项目在AMD硬件支持上的持续投入。