线上运行环境速查¶

本页整理线上任务启动日志中已经验证过、会直接影响训练和评测 bundle 的环境事实。它不是平台硬件 SLA，也不记录每一行原始探测输出；后续如果平台镜像、网络策略或入口契约变化，只需要更新对应结论。

采样来自三次真实任务启动日志：2026-04-25 21:47:29 +0800、2026-04-26 00:27:26 +0800、2026-04-27 18:29:50 +0800。越靠后的日志包含更完整的网络、镜像源、Conda 和 Python 包探测。

关键结论¶

• 线上运行应默认使用平台 Conda Python：/opt/conda/envs/competition/bin/python3，Python 版本为 3.10.20。
• 平台已预装 CUDA 12.6 相关 PyTorch 栈，包括 torch==2.7.1+cu126、torchrec==1.2.0+cu126、fbgemm_gpu==1.2.0+cu126。
• 任务启动时没有 uv，公共 PyPI、Astral、GitHub、PyTorch 官方索引和 conda-forge 都不能作为可靠在线依赖源。
• 平台注入了小写 http_proxy / https_proxy。公共 HTTPS 隧道不可用，但继承平台代理时 Tencent PyPI 和 Tencent Anaconda 镜像可达。
• 线上可见 GPU 是切片资源，约为 0.2x NVIDIA H20，可用显存约 19574 MiB。不要按整卡 H20 设计 batch size。
• 基础编译工具 gcc、g++、make、nvcc 可用，但 cmake、ninja、pkg-config 缺失。不要把复杂原生构建留到任务启动阶段。
• 训练 bundle 应保持 TAAC_RUNNER=python，复用平台环境；不要在线执行 uv sync 或尝试重建 CUDA/PyTorch 栈。

环境概览¶

CPU、总内存和本地磁盘容量都比较宽裕，但节点负载、可用内存和具体 hostname 会随作业变化。没有 swap，内存超限后更可能被直接杀进程。

Python 与依赖¶

当前线上 Python 环境已包含 217 个 Python distribution metadata 条目。与本仓库最相关的预装包包括：

这意味着线上 bundle 的默认策略应是复用平台环境，而不是在任务启动时安装基础栈。若确实缺少纯 Python 包，可以优先在当前 Conda Python 中补装，并优先使用平台可达的镜像源。

python -m pip install -i https://mirrors.cloud.tencent.com/pypi/simple/ <package>

训练 run.sh 和推理 infer.py 也提供同样的安装钩子：bundle 的 Python 运行模式会在导入仓库代码前，从解压后的 project/pyproject.toml 调用当前 Python 的 pip 安装项目依赖，并默认使用腾讯 PyPI 镜像。设置 TAAC_SKIP_PIP_INSTALL=1 可以跳过这一步。

核心 GPU 依赖不建议在任务启动阶段覆盖安装。Torch、CUDA、FBGEMM 或 TorchRec 版本不匹配时，应通过平台镜像或基础环境解决。

网络与镜像源¶

平台只注入小写代理变量：

http_proxy=http://21.100.120.217:3128
https_proxy=http://21.100.120.217:3128

大写 HTTP_PROXY、HTTPS_PROXY、ALL_PROXY、NO_PROXY 在日志中均未设置。

公网目标探测结果：

实践建议：

• 不要无条件 unset http_proxy https_proxy，否则会同时关闭当前已验证可达的腾讯镜像通路。
• 不要依赖在线安装 uv，https://astral.sh/uv/install.sh 在继承代理下不可用。
• 不要依赖公共 PyPI 或 PyTorch 官方 wheel 索引。
• 如果要验证依赖源，分别测试继承代理和禁用代理两种模式；二者失败原因不同。

GPU 与训练配置¶

线上可见 GPU 是切片资源：

推荐按小显存 GPU 设计训练默认值：

• 优先启用 AMP，谨慎设置 batch size。
• 控制 embedding 维度、序列长度、num_workers、prefetch 和验证频率。
• OOM 时先降 batch size、序列长度和模型宽度，再考虑更复杂的优化。
• 本仓库 CUDA profile 与线上 CUDA 12.6 对齐；不要传旧的 cpu profile 作为 CUDA 依赖配置。

日志中历史 requested_profile=cpu 与容器内能看到 GPU 同时出现过，因此不能仅凭 profile 字段判断是否没有 GPU。

编译与系统工具¶

基础工具状态如下：

因此轻量 setuptools 源码构建理论上可能成功，但依赖 cmake、ninja、pkg-config 或复杂 CUDA/C++ 构建链的包，不应假设可以在线编译。需要这些依赖时，优先通过平台镜像、预构建 wheel 或离线产物解决。

对 Bundle 的影响¶

训练和推理上传包应遵守 线上 Bundle 上传指南 中的双文件结构。

训练运行建议：

export TAAC_RUNNER=python
export TAAC_PYTHON=/opt/conda/envs/competition/bin/python3
export TAAC_DATASET_PATH=/path/to/train.parquet_or_dataset_dir
export TAAC_SCHEMA_PATH=/path/to/schema.json
export TAAC_OUTPUT_DIR=/path/to/output

bash run.sh --device cuda

设计约束：

• code_package.zip 应包含运行代码和选中的实验包，不依赖线上 uv sync。
• uv.lock 只保留在仓库本地用于开发追溯，线上 bundle 不再包含它。
• 缺少纯 Python 包时，先确认平台环境，再考虑用腾讯镜像补装。
• 不要在任务启动时下载或覆盖核心 CUDA/PyTorch 栈。
• 不要把旧训练栈里的 runtime optimization 参数复制到当前 PCVR CLI，当前共享 parser 不支持这些历史参数。

排障速查¶

稳定性说明¶

可作为当前设计默认前提的事实：

• 平台 Python/Conda 环境存在且预装 CUDA 12.6 PyTorch 栈。
• 公共公网依赖源不可靠。
• Tencent 镜像在继承平台代理时可达。
• GPU 是约 20 GiB 显存的切片资源。
• uv 不是线上运行前提。

需要后续继续观察的事实：

• 具体 GPU 切片比例、hostname、瞬时负载和剩余内存。
• 平台是否更换镜像、Python 环境或代理策略。
• 平台是否新增官方内网依赖源或修复公共 HTTPS 隧道。

评论