执行摘要
- 一句话：从H100分布式测试块中移除不稳定的Eagle DP测试，以缓解CI失败。
- 推荐动作：此PR变更简单，主要价值在于了解CI测试维护策略。建议关注：
- 后续修复：跟踪团队如何调查和修复Eagle DP测试的批次不变性问题。
- 配置管理：注意CI配置中“可选”与“非可选”测试块的区别，以及跨块测试一致性的重要性。
- 关联PR：可结合历史PR（如#39773关于Eagle推测解码的bugfix）理解Eagle相关功能的演进。
功能与动机
根据PR描述，Eagle DP测试在2个H100 GPU的分布式测试中持续出现不稳定（flaky）问题。尽管之前针对L4 GPU的批次不变性（batch invariance）问题进行了修复（关联issue #38938），但H100上仍存在失败。为了保持主分支CI的完整性，决定暂时从CI测试组中移除该测试，以便进行进一步调查。
实现拆解
- 定位并修改CI配置：识别到测试失败发生在
.buildkite/test_areas/distributed.yaml配置文件的Distributed Tests (2 GPUs)(H100)块中。
- 移除特定测试命令：从该块的
commands列表中删除了执行tests/v1/distributed/test_eagle_dp.py的命令行（- TP_SIZE=1 DP_SIZE=2 pytest -v -s tests/v1/distributed/test_eagle_dp.py）。
- 配置调整影响：此修改仅影响H100设备上的可选分布式测试块，不会影响其他非可选测试块或核心功能。
关键文件：
.buildkite/test_areas/distributed.yaml（模块 CI配置；类别 config；类型 configuration）: 这是唯一被修改的文件，包含了CI流水线中分布式测试的配置。移除Eagle DP测试命令直接影响H100设备上的测试执行。
关键符号：未识别
评论区精华
reviewer gemini-code-assist[bot] 指出，此变更仅移除了标记为optional: true的H100测试块中的命令，而该测试在其他非可选测试块（如Distributed DP Tests (2 GPUs)和Distributed DP Tests (4 GPUs)）中仍然存在。这意味着如果测试确实不稳定，它仍可能导致CI失败，从而削弱了此次变更的目的。然而，PR最终被ProExpertProg批准合并，表明团队可能将此视为一个分步缓解措施，或计划后续在其他块中也进行移除。
- CI配置移除的充分性 (correctness): PR被批准合并，但未直接回应此问题，暗示团队可能接受此作为临时措施。
风险与影响
- 风险：低风险。此变更仅影响CI配置，不涉及任何生产代码、运行时逻辑或数据契约。主要风险是：
- 测试覆盖缺口：在H100上暂时失去对Eagle DP功能的测试覆盖，可能掩盖潜在问题。
- CI完整性：由于测试在其他非可选块中仍保留，不稳定性可能继续导致CI失败，未完全达到“维护主分支完整性”的目标。
- 配置一致性：仅修改一个可选块，可能导致测试执行环境不一致。
- 影响：影响范围有限。
- 对用户：无直接影响，不改变vLLM运行时行为或API。
- 对系统：仅影响CI流水线中H100设备上的一个可选测试任务，减少该任务因测试不稳定性而失败的概率。
- 对团队：为开发者提供了更稳定的CI环境，但需要后续跟进以根本解决测试不稳定性问题。
- 风险标记：测试覆盖缺口, CI配置不一致
关联脉络
- PR #39773 [Model Runner V2] Disable piecewise cudagraph mode fallback for eagle draft decodes: 同样涉及Eagle推测解码功能的bugfix，可能共享类似的技术上下文或测试不稳定性根源。
- PR #38901 refactor hard coded device string in test files under tests/compile tests/quantization tests/models and tests/model_executor: 涉及测试基础设施的改进，与本PR的CI配置调整同属测试维护范畴。
参与讨论