执行摘要

• 一句话：拆分 MI300 分布式编译 CI 作业以缩短关键路径。
• 推荐动作：此 PR 是一个高质量的 CI 优化。它针对明确的性能瓶颈（关键路径 CI 耗时过长）提出了一个经过实测数据支撑的、具体且低风险的解决方案。PR body 提供了充分的决策依据（测量数据、超时计算逻辑、权衡分析）。建议维护者合并，以加速 AMD ROCm 平台的开发迭代。

功能与动机

该 CI 作业因测试 test_tp2_ar_rms_fusions 展开为 64 个参数组合（每个组合需启动新的 2-GPU 引擎）而成为 AMD CI 的耗时瓶颈（77.7 分钟），严重影响 CI 反馈速度。目标是将其拆分以并行运行，缩短总耗时。

实现拆解

1. 变更入口：修改 .buildkite/test-amd.yaml 配置文件中的 (MI300) Distributed Compile 作业定义。

2. 核心逻辑拆解：
   a. 将单个作业步骤拆分为两个步骤：(MI300) Distributed Compile (Inductor Partition) 和 (MI300) Distributed Compile (Dynamo Partition)。
   b. 通过为 pytest 命令添加 -k "inductor_partition" 和 -k "dynamo_partition" 参数过滤器，将 64 个参数化的测试用例平均分配到两个作业中运行。
   c. 两个新作业共享相同的测试矩阵、依赖路径和 agent pool (mi300_2)，但运行不同的测试子集。
   d. 原作业中包含的 test_async_tp.py 测试在两个新作业中均会运行，以保证每个作业的自包含性。

3. 配置配套调整：将两个新作业的 timeout_in_minutes 从原有的 95 分钟调整为 65 分钟，该值是基于实测数据（约 44.5 分钟）加上 20 分钟余量并向上取整到 5 的倍数计算得出。

4. 无测试、Schema 或部署配套改动：本次变更仅涉及 CI 配置，不涉及应用代码或测试逻辑的变更。

关键文件：

• .buildkite/test-amd.yaml（模块 CI 配置；类别 config；类型 configuration）: 本次 PR 的唯一变更文件，是 CI 作业定义的核心配置。所有变更（拆分作业、添加过滤器、调整超时）均在此文件中完成。

关键符号：未识别

评论区精华

1. 测试覆盖度与正确性：PR body 中详细论证了 -k 过滤器的正确性，指出过滤器匹配的字面量 inductor_partition 和 dynamo_partition 在测试矩阵的参数 ID 中是唯一且互斥的，确保了两个作业的测试用例集合不相交且完备（32 + 32 = 64）。
2. 资源与时间权衡：PR 明确指出了拆分的权衡：需要同时空闲两个 mi300_2 代理来并行运行，总 GPU 时间会增加（从 2 GPU 增至 4 GPU，且 test_async_tp.py 会重复运行）。这是为了换取关键路径（wall-clock time）的缩短。
3. 超时设置决策：讨论了超时值的选择逻辑，基于实际观测时间和 PR #54695 建立的规则（平均值 + 20 分钟余量），并解释了不再沿用旧值（95 分钟）的原因。

• 测试过滤器的完备性与正确性 (testing): 基于对测试参数化 ID 的分析，认为过滤器是正确且完备的，两个作业的测试集不相交且联合等于原测试集。
• 作业拆分带来的资源与时间权衡 (performance): 决策是接受更高的 GPU 资源消耗，以换取 CI 反馈速度的提升（从 77.7 分钟降至约 44.5 分钟）。
• 超时值的设置依据 (correctness): 超时设置基于实测和既定规则，旨在提供足够缓冲但又不过度宽松。

风险与影响

• 风险：
  1. CI 资源竞争风险：新方案要求同时占用两个 mi300_2 代理，如果 AMD CI 资源池不足，可能导致作业排队时间增加，抵消并行化带来的时间收益。
  2. 测试覆盖遗漏风险：虽然 source_file_dependencies 配置一致，但若未来测试矩阵的参数 ID 发生变化（例如 inductor_partition 子串出现在其他组件中），可能导致过滤器误匹配或遗漏。不过，当前分析认为此风险较低。
  3. 无应用层面风险：由于变更仅限于 CI 配置，不影响 vLLM 的核心功能、性能或安全性。
• 影响：
  1. 对团队的影响：显著改善了 AMD ROCm 开发者的工作流。将 CI 反馈时间从近 80 分钟缩短至约 45 分钟，加快了代码合并和问题发现的速度，提升了团队效率。
  2. 对系统的影响：仅影响 CI 系统，无功能影响。可能增加 CI 基础设施的 GPU 资源消耗（峰值 GPU 数量翻倍），但总 GPU 时间增幅可控。
  3. 对用户的影响：间接影响。更快的 CI 反馈意味着 vLLM 的 ROCm 版本能够更稳定、更频繁地发布。
     - 风险标记：CI 资源依赖增加

关联脉络

• PR #54695 [ROCm][CI] Right-size AMD MI300 CI timeouts: 本 PR 的超时设置逻辑（平均值 + 20 分钟余量）明确引用了 PR #54695 建立的规则，属于同一优化框架下的延续工作。