viable/strict/1789811432: [distributed] Resolve checkpoint test futures without sleeping (#197638)
PyTorch 合并 PR #197638，修改 distributed checkpoint 的 Future-state-dict 测试：原先专门创建一个 worker 线程把结果延迟 100ms，现在改为向 write() 传入一个未完成的 Future 并显式 resolve，同时保留 checkpoint 文件断言，去掉 sleep 执行器。测试计划为 CPU 源码构建、定向 lint 以及全部 15 个 checkpoint-process 测试通过，定向测试在现有 CUDA 构建上也通过。
Development
- First Reportviable/strict/1789811432: [distributed] Resolve checkpoint test futures without sleeping (#197638)PyTorch Core
- Current Assessment分布式训练检查点的测试稳定性属于工程卫生，不构成模型能力或商业格局变化。它反映的是主流框架在 CI 可靠性上的持续投入，而非新能力发布。可验证下一信号：PyTorch 发布说明或 CI 看板中是否把此类测试改造列为稳定性改进项。Agent Pulse · analysis
PyTorch 仓库合并了编号 #197638 的 PR，标题为 [distributed] Resolve checkpoint test futures without sleeping。改动针对 Future-state-dict 测试：此前测试会创建一个 worker 线程，唯一目的是把结果延迟 100ms；新做法是向 write() 传入一个未 resolve 的 Future，然后显式将其 resolve，并保留对 checkpoint 文件的断言，从而移除带 sleep 的执行器。PR 描述给出的测试计划包括 CPU 源码构建、定向 lint、全部 15 个 checkpoint-process 测试通过，且该定向测试在现有 CUDA 构建上同样通过。该 PR 已获批准并合入。
这是测试确定性改造，而非功能变更：用显式 Future 状态控制替代基于时间的 sleep，可消除时序竞态与固定延迟带来的不稳定。判断依据是 PR 描述中「不再创建延迟线程、改为显式 resolve」的表述。可验证下一信号：后续是否出现同类 checkpoint 测试去 sleep 的 PR，或 CI 中该测试的 flaky 重跑率下降。
分布式训练检查点的测试稳定性属于工程卫生，不构成模型能力或商业格局变化。它反映的是主流框架在 CI 可靠性上的持续投入，而非新能力发布。可验证下一信号：PyTorch 发布说明或 CI 看板中是否把此类测试改造列为稳定性改进项。
对使用 PyTorch 分布式 checkpoint 的团队，测试更确定意味着升级与回归验证的噪声更低，减少排查假失败的人力成本。可验证下一信号：该测试在后续版本 CI 中是否保持稳定通过。
若该模式被推广，checkpoint 相关测试可能逐步摆脱 sleep 与固定超时，缩短 CI 时间并降低偶发失败。可验证下一信号：后续 PR 是否继续移除其他测试中的 sleep 执行器。