文章目录
GPU 运维实战:H100/H800/B300 换卡与压测
周一上午十点,机房。
你手里拎着一张刚到的 H800 备件,面前那台 8 卡机器开着盖等你。上周五它报了 Xid 79,GPU 3 直接从 nvidia-smi 里消失了。
现在最关键的问题不是"怎么把卡插上去"——那个动作五分钟能学会。真正的问题是:
新卡插上去之后,你怎么知道它到底行不行?
如果你只看一眼 nvidia-smi 能列出 8 张卡,就签字交付、把任务放回去,那你很可能会在三天后的凌晨三点,被同一个坑再咬一次。因为那些真正要命的信号——温度比同批卡高十几度、功耗压不上去、退役页在悄悄涨、dmesg 里躺着一条 Xid 63——在白天跑小任务时完全看不出来。
这篇文章不讲虚的。我把它拆成三块:先认识这三张卡(H100 / H800 / B300 到底差在哪)、再讲怎么换卡(从定位故障到验收上线的完整流程)、最后讲怎么压测(烧多久、看什么、什么算合格)。文末还给了一个能直接跑的验收判定脚本,三个真实场景的裁决输出都在。
一、先把这三张卡摸清楚
做 GPU 运维,第一件事不是背命令,是搞清楚你手上这张卡的瓶颈在哪。因为后面所有的排障判断,都建立在这个认知上。
订阅专栏 解锁全文
471



被折叠的 条评论
为什么被折叠?



