fix rerun ci

[zjjlivein]

Before submitting

• Lint code. If there are lint issues, please format the code first.

# Install and register `pre-commit` in the project folder
pip install pre-commit && pre-commit install

# Process previous code files separately
pre-commit run --file XXXX.py

• Add test cases into tests folder. If there are codecov issues, please add tests cases first.

PR types

PR changes

Description

[risemeup1111]

代码层面看，这次只把 rerun workflow 的 runner 从 ernie-cpu 调整到 APPROVAL runner group；仓库里已有同类用法，未发现需要阻塞合入的代码问题。当前还有部分 CI checks 正在运行，合入前请以最终结果为准。

• 优先级：P3
  非行级：PR 标题/描述不在 diff 行内。当前标题 fix rerun ci 和描述仍是模板，缺少这次变更的动机、影响范围和验证方式。建议把标题改成类似 Use APPROVAL runner group for rerun workflow，并在描述中补充：为什么 rerun job 需要切到 APPROVAL、是否影响 /re-run 评论触发流程、以及本次验证结果/待 CI 通过。
  处理要求：请针对该评论进行回复（同意并已修改请回复 Done，不同意请说明理由）。

^{Powered by Nyanpasu with gpt-5.5 xhigh, please check the suggestions carefully.}

[zjjlivein]

/re-run all-failed

[Paddle-CI-Bot]

PaddleFormers Log Analysis

Run #29006299429 · Attempt 1

日志分析报告

流水线名称	问题标签	修复建议	日志片段
Integration test (H20, multi-card) — GLM4.5 dpo	124超时	GLM4.5 dpo 训练在 ***** Running training ***** 后挂起超 4 分钟无任何 iteration 输出，触发 5min timeout，rerun 验证；若复现则用 py-spy dump 定位 PP+EP 初始化卡点	报错代码

失败的测试case:

Integration test (H20, multi-card) / GLM4.5 dpo
  - glm45_dpo.sh: exit code 124 (timeout 5m)
  - 训练进程在 "Running training" 打印后 4m7s 内无任何 step 输出

根本原因分析:
本 PR 仅修改了 .github/workflows/rerun.yml（runs-on 从 ernie-cpu 改为 group: APPROVAL），与 GLM4.5 dpo 训练逻辑无关。超时原因是 GLM4.5 dpo 在 PP=2、EP=4、MP=4 配置下第一个 step 数据加载或 pipeline 通信初始化卡死，属偶发性 hang，与本 PR 改动无关。

修复建议:

1. 直接 rerun 该 job，验证是否为偶发 hang。
2. 若 rerun 复现，在容器内对 paddleformers-cli train 进程用 py-spy dump --pid <PID> 抓取 8 卡堆栈，重点排查 pipeline_parallel.py start broadcast mp parameters 之后的 barrier/allgather 是否有卡进程。
3. 排查 glm45_dpo.yaml 中 data_load_time 是否因 DPO 双样本拼接导致首个 microbatch 数据准备耗时远超 sft，必要时适当放宽 CI timeout 至 8min。

---

🔍 准确性记录：请点击评论底部 😊 图标，选择 👍（准确）或 👎（有误），将自动记录到 CI 监控系统

_{🔄 每次 Re-run 后自动更新}