拷机与分级诊断
拷机与分级诊断
git clone https://github.com/wilicc/gpu-burn && cd gpu-burn
make
./gpu_burn 600 # 满载运行 600 秒，观察报错与结果校验
dcgmi diag -r 2 # DCGM 分级诊断（需已部署 DCGM）拷机会把功耗与温度推到接近上限，确认散热与供电余量后安排在维护窗口执行。
拷机与稳定性验证（gpu-burn / DCGM）
新卡或疑似故障卡的长稳验证：gpu-burn 持续满载跑矩阵运算并校验结果，DCGM 提供分级自检；上架验收与返修场景都常用这一组合。
易错点
- 拷机报错当噪声：出现 Xid 报错或 ECC 计数增长应停止投产并留存日志排查
数据来源与参考
- gpu-burn 仓库（github.com/wilicc/gpu-burn）
- NVIDIA DCGM 文档（docs.nvidia.com/datacenter/dcgm）