GPU 健康诊断
围绕 XID、ECC、温度、功耗和降频建立可复核的 GPU 健康检查与排障路径。
最近动作整理 nvidia-smi、内核日志和 DCGM 之间的证据顺序。
Goal
公开目标
形成不依赖真实现场日志的 GPU 体检和初步故障分流手册。
Why
为什么要做
GPU 健康不能靠单一温度或一条 XID 下结论。把指标、日志和诊断工具排成证据顺序，才能减少误判并明确何时升级处理。
Milestones
建设里程碑
- 01基线清单
列出温度、功耗、ECC、降频和设备可见性的只读检查项。
- 02分支路径
把 XID、ECC 增长、过热和降频拆成不同排查入口。
- 03公开案例
使用合成输出走通一条从现象到升级边界的案例。
Acceptance
验收标准
- 每一步都写明输入、通过条件、停止条件和下一层证据。
- 合成案例可以由另一位读者独立复核。
- 所有截图和输出不含真实设备标识。