ECC 错误查看与处置
数据中心卡带 ECC 保护显存：可以查看单比特（已纠正）与双比特（未纠正）错误计数，并按易失性与累计两种口径分别统计，前者重启清零、后者反映长期健康度。未纠正错误持续出现时，该卡不应继续承载生产任务，需要按硬件流程处理。
基本信息
| 查询方式 | 查询命令加上 ECC 数据类别，输出单比特与双比特计数 |
|---|---|
| 错误类型 | 单比特（已纠正）与双比特（未纠正） |
| 统计口径 | 易失性（重启清零）与累计值（长期健康度） |
| 处置节奏 | 偶发单比特观察；双比特非零停新任务；持续复现报修 |
| 适用范围 | 数据中心卡支持，消费卡多数没有这些字段 |
典型使用场景
- 推理结果异常时排除硬件：除排查代码与配置，也要看显存错误计数
- 周期性巡检：把 ECC 计数纳入硬件健康检查项
- 新卡验收：确认初始计数为零或仅有极少量历史记录
- 故障卡隔离：双比特错误持续出现时把卡从生产池摘出
- 报修材料：把计数与卡号一起提供给硬件支持流程
查看 ECC 状态
查看 ECC 状态
# 查看 ECC 相关字段
nvidia-smi -q -d ECC | head -40
# 关键：易失性与累计值下的「未纠正」计数
# 多卡机器上要按卡号分别核对，避免误判到错误的卡计数与处置
| 计数项 | 含义 | 处置 |
|---|---|---|
| 单比特（已纠正） | 硬件自动纠正，不改变数据 | 偶发观察，明显增长则留意 |
| 双比特（未纠正） | 数据可能已出错 | 停止新任务，重启后复查 |
| 易失性计数 | 重启即清零 | 反映当前会话状态 |
| 累计计数 | 长期累计 | 反映硬件健康趋势 |
显存错误可能导致静默计算错误：推理结果异常时，除排查代码、配置与精度，也要把 ECC 计数一起看，否则容易漏掉硬件因素。
处置节奏建议：单比特偶发继续观察；双比特非零先停新任务并重启设备复查；持续复现则按硬件流程报修更换，而不是反复重启硬撑。