执行摘要

• 一句话：修复 DeepEP FP8 测试权重依赖随机内容
• 推荐动作：无需精读，可直接合并。这是一个 CI 稳定性修复，设计简单，值得类似测试编写者借鉴（避免 torch.empty 依赖全量内容）。

功能与动机

DeepEP FP8 测试的权重通过 torch.empty 初始化，导致测试依赖于分配器未写入的随机内容；同时大数值可能超出 W8A8 的固定容忍度，造成测试不稳定。PR 引用关联 Issue #46758 确保修改兼容后续优化。

实现拆解

修改 tests/kernels/moe/test_deepep_moe.py 中的 make_weights 函数：

1. FP8 分支中将 torch.empty((e, 2*n, k), device="cuda", dtype=torch.float16) 替换为 torch.randn((e, 2*n, k), device=current_platform.device_type, dtype=torch.float16).div_(100)，确保权重数值有限且小。
2. 同理处理第二个权重 w2。
3. 设备类型改为 current_platform.device_type 以适配 ROCm 平台，不再硬编码 "cuda"。

关键文件：

• tests/kernels/moe/test_deepep_moe.py（模块 测试；类别 test；类型 test-coverage；符号 make_weights）: 所有变更均在此文件中，修复了 FP8 测试权重的初始化方式，消除测试随机失败源。

关键符号：make_weights

关键源码片段

tests/kernels/moe/test_deepep_moe.py

所有变更均在此文件中，修复了 FP8 测试权重的初始化方式，消除测试随机失败源。

# ... (before actual changes)
# per-out-channel weight quantization
assert dtype == current_platform.fp8_dtype()
# Keep FP8 inputs finite and bounded. torch.empty made this test depend on
# allocator contents, while larger values exceed its fixed W8A8 tolerance.
w1 = torch.randn(
    (e, 2 * n, k), device=current_platform.device_type, dtype=torch.float16
).div_(100) # 标准差为 0.01，量化后不会超出容忍范围
w2 = torch.randn(
    (e, k, n), device=current_platform.device_type, dtype=torch.float16
).div_(100)
# ... (rest of quantization and return)

评论区精华

无 reviewer 讨论或争议。tjtanaa 直接批准。

• 暂无高价值评论线程

风险与影响

• 风险：低风险。仅修改测试数据生成方式，不涉及生产代码逻辑。新随机值范围有限（均值为 0，标准差为 0.01），量化后不易溢出。需要确保 current_platform.device_type 在 ROCm 环境中正确返回 "hip" 等值。
• 影响：影响范围仅限于 test_deepep_moe.py 中的 FP8 测试用例。预期提高 DeepEP FP8 测试的稳定性和可重复性，消除因分配器内容不可控导致的随机失败。对其他测试或无 DeepEP 的环境无影响。
• 风险标记：测试数据生成改动

关联脉络

• PR #46758 [ROCm][CI TG] refactor and fix deepep_moe test group: 本 PR 引用的基础，修复了相同的测试文件，本 PR 在其基础上进一步改进权重初始化。