GPU

GPU 掉卡、报障时售后要一包诊断日志，手工敲命令容易漏，碰上跳板机和非默认端口更折腾。我写了个脚本：一条命令收齐 9 类日志、按 SN 命名归档。附端口坑和踩过的雷。

GPU 报障走 RMA，售后先要 fieldiag.log。它和 dcgmi、gpu-burn 怎么分工、诊断包从哪获取、skucheck 为什么报板卡不匹配、驱动怎么卸、FAIL 怎么定位到具体 GPU，一篇讲完。

客户拿标称 TFLOPS 跟你实测对不上，官网写 312 实测只有 67？很可能是精度、Dense/Sparse 的’口径’不同。一文讲清 TFLOPS 的坑，附 A800 vs L20 实测对比。

凌晨训练任务挂了，8 卡只剩 7 卡，温度 93°C 还带 Throttling——卡没坏，是太热了。从确认告警、风道检查、清灰换硅脂到 vBIOS 更新，完整排查流程，满载压回 80°C。

8 卡 A800 训练卡死，显卡全在、驱动正常，可训练就是跑不动。查下来是 GPU 之间的 NVLink 高速通道废了 5 条。改一行配置让服务「带伤上岗」，集群满血复活。

凌晨3点，集群一台8卡GPU节点硬掉线。SSH连不上、ping不通，但BMC还活着。翻SEL发现供电在抖，锁定了坏掉的PSU3，顺带挖出NVIDIA驱动和内核的兼容性雷。不卖工具，卖教训。