Fix pre-existing CPU downgrade resolver conflict
I maintainer di solito rispondono entro 2 giorni
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 48/100
- Tipo di issue
- Bug
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Tranquilla
- Stack tecnologico
- julia
- Ambito
- ci-cd, testing-qa
Direzione di ricerca
Inizia con il comando di test del repository per il downgrade a Julia 1.10 e con la logica relativa al limite inferiore o al pinning del downgrade menzionata nell’issue. Traccia i vincoli di compatibilità di ForwardDiff, OrdinaryDiffEqRosenbrock, LinearSolve e DifferentiationInterface, quindi verifica che il comando risolva le dipendenze e raggiunga i test su un master pulito senza i conflitti segnalati.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Summary
The downgrade test lane fails on clean master independently of https://github.com/SciML/DiffEqGPU.jl/pull/489.
Reproduction
At clean master commit b4825a09265d09cac0c8b76e5c6413e4ee0fc9cc, run the repository's Julia 1.10 downgrade test command:
import Pkg; Pkg.test(; coverage=true, julia_args=["--check-bounds=yes", "--compiled-modules=yes", "--depwarn=yes"], force_latest_compatible_version=false, allow_reresolve=false)
The resolver fails before tests run with:
Unsatisfiable requirements detected for package ForwardDiff
ForwardDiff is pinned to 1.0.1 by the downgrade environment
OrdinaryDiffEqRosenbrock 2 with LinearSolve 5.2.0 requires ForwardDiff >= 1.3.3
The parent commit also fails, through a separate LinearSolve 5.0 / DifferentiationInterface conflict, so this is not introduced by PR #489.
Impact
The CPU downgrade check is red on master and on the compat-only PR. The fix should be made in the downgrade floor/pinning logic or the relevant package compat constraints, separately from the SciMLTesting declaration.
Evidence: https://github.com/SciML/DiffEqGPU.jl/actions/runs/31882516251/job/95006963475
- Lingua principale
- Julia
- Stelle
- 331
- Fork
- 43
- Merge medio
- 1g 20h
- PR unite (30g)
- 10
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di SciML/DiffEqGPU.jl
-
Adaptive kernel steppers: t += dt rounding decouples time from integrated length at large tForse già presa @ChrisRackauckas-Claude l’ha presa 42 giorni fa. Aperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 45/100
SciML/DiffEqGPU.jl#567 ·
I maintainer di solito rispondono entro 2 giorni
-
Adaptive kernel: ContinuousCallback just before a tstop suppresses the tstop's DiscreteCallbackAperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 55/100
SciML/DiffEqGPU.jl#558 ·
I maintainer di solito rispondono entro 2 giorni
-
GPUVern7 Float32 dense output is ~60 ulps off at mid-step for a constant RHS (visible at tstops)Aperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 62/100
SciML/DiffEqGPU.jl#554 ·
I maintainer di solito rispondono entro 2 giorni
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 45/100
SciML/DiffEqGPU.jl#546 ·
I maintainer di solito rispondono entro 2 giorni
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
SciML/DiffEqGPU.jl#540 ·
I maintainer di solito rispondono entro 2 giorni
Tutte le issue di SciML/DiffEqGPU.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
MagneticResonanceImaging/MRIReco.jl#366 ·
I maintainer di solito rispondono entro 3 giorni
-
`AdamW` gives `NaN` for zero-gradient entries of `Float16` parameters (epsilon underflows to 0)Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 79/100
FluxML/Optimisers.jl#253 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
JuliaGraphs/GraphNeuralNetworks.jl#736 ·
I maintainer di solito rispondono entro 2 giorni
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 65/100
I maintainer di solito rispondono entro 1 giorno