执行摘要

• 一句话：更新ROCm平台DeepEP版本并调整CI测试配置，修复gfx942/gfx950编译问题。
• 推荐动作：此PR主要涉及基础设施更新，对于关注ROCm平台或CI/CD流程的工程师值得浏览，特别是Dockerfile中构建参数的用法和CI测试迁移的决策。对于核心模型推理或性能优化工程师，优先级较低。

功能与动机

根据PR描述和Issue评论，此PR的目的是更新DeepEP分支到一个能正确为gfx942和gfx950架构进行提前编译的版本，以部分解决issue #37709。作者在评论中解释，当前ROCm DeepEP仅支持gfx942和gfx950架构（引用自DeepEP仓库的setup.py），而更新版本后，DeepEP会在链接时将适当的内核打包到其二进制文件中。此外，由于CI环境中目前没有MI355代理，需要将测试用例迁移到MI325节点来验证变更。

实现拆解

1. 更新DeepEP依赖版本和构建参数：在docker/Dockerfile.rocm中，将DeepEP分支从e84464ec更新为5d90af8b，并新增构建参数DEEPEP_ROCM_ARCH，其值设为gfx942;gfx950。同时，将ROC-SHMEM的构建过程从直接调用cmake改为使用脚本bash ../scripts/build_configs/all_backends，并传递-DGPU_TARGETS="${DEEPEP_ROCM_ARCH}"参数，以确保针对指定GPU架构编译。
2. 调整CI测试配置：在.buildkite/test-amd.yaml中，将DeepEP数据并行测试命令从MI355节点的测试步骤移动到MI325节点的测试步骤。具体来说，在MI325节点的Distributed Tests (2 GPUs)(H100-MI325)步骤中添加命令- VLLM_LOGGING_LEVEL=DEBUG python3 examples/offline_inference/data_parallel.py --model=Qwen/Qwen1.5-MoE-A2.7B -tp=1 -dp=2 --max-model-len=2048 --all2all-backend=deepep_high_throughput，并从MI355节点的对应步骤中移除该命令。
3. 清理构建配置：在提交历史中，第三个提交移除了ROC-SHMEM构建中冗余的-DCMAKE_POSITION_INDEPENDENT_CODE=ON标志，简化了Dockerfile。

关键文件：

• docker/Dockerfile.rocm（模块 部署脚本；类别 infra；类型 infrastructure）: 更新了DeepEP版本和构建参数，修复gfx942/gfx950架构的编译问题，是PR的核心变更。
• .buildkite/test-amd.yaml（模块 CI配置；类别 config；类型 configuration）: 调整CI测试配置，将DeepEP数据并行测试从MI355节点迁移到MI325节点，以适配当前CI环境。

关键符号：未识别

评论区精华

review中主要有两个讨论点：

• GPU架构硬编码问题：gemini-code-assist[bot]指出GPU_TARGETS被硬编码，但引入了DEEPEP_ROCM_ARCH构建参数，建议使用该参数以提高可配置性。作者在实现中已采纳此建议，通过-DGPU_TARGETS="${DEEPEP_ROCM_ARCH}"传递参数。

• 架构支持范围：gshtras询问测试是否不应在250s（可能指gfx250架构）上运行，作者回复澄清ROCm DeepEP目前仅支持gfx942和gfx950，并提供了DeepEP仓库的代码链接作为证据。
  整体讨论较少，tjtanaa在确认修复链接和预期状态后批准了PR。

• GPU架构硬编码与可配置性 (design): 作者在实现中已采纳建议，通过-DGPU_TARGETS="${DEEPEP_ROCM_ARCH}"传递参数，使构建过程更灵活。

• DeepEP支持的GPU架构范围 (question): 作者提供了DeepEP仓库的代码链接作为证据，确认架构支持限制，解释了测试迁移的原因。

风险与影响

• 风险：技术风险较低，主要涉及基础设施和CI配置：
• 兼容性风险：DeepEP版本更新可能引入未知的二进制兼容性问题，但PR描述中的测试结果显示数据并行测试通过，降低了风险。
• CI配置风险：将测试从MI355移动到MI325节点，如果两个节点的硬件或软件环境存在差异，可能导致测试结果不一致。但PR描述表明测试在MI325上通过，且MI355节点当前不可用，因此风险可控。
• 构建过程风险：ROC-SHMEM构建过程改为脚本驱动，如果脚本行为不稳定或与未来版本不兼容，可能影响Docker镜像构建。但变更较小，且基于官方脚本，风险有限。
• 影响：影响范围主要限于ROCm平台的基础设施和CI流水线：
• 对用户的影响：普通用户无直接影响，除非他们使用基于更新后Docker镜像的自定义部署或依赖DeepEP功能。
• 对系统的影响：修复了gfx942/gfx950架构的编译问题，提升了ROCm平台上DeepEP的可用性和正确性。
• 对团队的影响：CI测试配置调整确保了DeepEP相关测试能在可用节点上运行，提高了测试覆盖率和可靠性，有助于持续集成。
• 风险标记：依赖版本更新, CI配置迁移

关联脉络

• PR #39978 [ROCm][CI] Build fastsafetensors from source so it links against libamdhip64: 同样涉及ROCm平台的CI和Dockerfile更新，聚焦于依赖构建和链接问题，可对比基础设施改进模式。
• PR #39953 [ROCm] Fix TurboQuant on ROCm: backend routing, flash-attn compat, int64 overflow: 同为ROCm平台的bugfix，涉及后端路由和兼容性修复，展示了跨平台支持的持续优化。