烤机判定标准：gpu-burn 参数与 dcgmi 四级诊断怎么用
第一步，先把 gpu-burn 编译对。这是最容易翻车的一步，而且报错信息不直观。gpu-burn 的 Makefile 默认按 COMPUTE=7.5 编译，也就是说默认只生成 sm_75 的目标码。在 4090（sm_89）、5090（sm_120）、H100/H200（sm_90）、Blackwell 系（sm_100 家族）上直接 make 出来的二进制，运行时可能报 no kernel image is available for execution on the device，或者干脆起不来。
官方 README 给的两种写法：单一架构用 make COMPUTE=<compute capability>；需要多架构 fatbin，或者要用 sm_90a、compute_100f 这类带架构或家族后缀的特性，就把 COMPUTE 置空，改由 -gencode 驱动：make COMPUTE= NVCCFLAGS='-gencode=arch=compute_86,code=sm_86 -gencode=arch=compute_90,code=sm_90'。注意 COMPUTE 置空后默认的 -arch 会被跳过，架构全靠 NVCCFLAGS 里写全，漏一个就没有那个架构的码。
第二步，参数按目的选。-d 走双精度，计算单元占用更高，验收压测用它；-m 90% 按可用显存比例占用，-m 4096 按固定 MB 占用，二手卡做显存稳定性对比必须用固定 MB 值，否则两次运行的内存布局不可比；-i N 只跑第 N 张卡，用于把可疑卡从 8 卡里隔离出来复测；-l 只列卡不跑；-tc 尝试走 Tensor Core。典型的三条命令：全卡长稳压 ./gpu_burn -d 3600，单卡隔离 ./gpu_burn -i 2 -m 80% 1800，固定显存复测 ./gpu_burn -m 4096 1200。
第三步，dcgmi diag 的四级各自查什么。按 dcgmi diag --help 的官方口径，级号越大包含下面所有级别：-r 1 只做系统验证，秒级，查的是软件栈部署是否正常，不是查硬件；-r 2 增加内存与 PCIe 测试，官方标称约 2 分钟；-r 3 增加 diagnostic、memory_bandwidth、targeted_stress、targeted_power，官方标称约 15 分钟；-r 4 再增加 memtest 与 pulse_test，跑得最久。
这里有个必须注意的口径差。官方 help 写的是「约 15 分钟」，但那是单卡或理想条件下的量级；8 卡系统上 -r 3 实测常到 30～35 分钟，-r 4 更是按小时计。排产验收窗口时按实测留时间，不要按标称的 15 分钟排，否则一定排崩。另外 -r 3 及以上要求 GPU 空闲独占，有别的人在跑任务会互相干扰结果。
还有一个坑：GeForce 与工作站卡只支持 -r 1。二手消费卡走 dcgmi 这套是走不通的，只能用 gpu-burn 加 nvidia-smi 判读。这一点在做混合机型验收时尤其要注意，不要拿数据中心卡的流程套消费卡。
第四步，边跑边看的数据。压测过程中用一条命令就能把温度、频率、功耗和降频原因一起盯住：nvidia-smi --query-gpu=index,temperature.gpu,clocks.sm,power.draw,clocks_event_reasons.active --format=csv -l 5。判定要点有三条：一是 clocks.sm 要在长稳期间维持稳定平台，不能持续下滑；二是 clocks_event_reasons.active 全程应为空，出现 SW Thermal Slowdown 或 HW Slowdown 说明已经撞温度墙或电源墙，这时候测出来的算力是打折的，不能作为通过依据；三是 power.draw 应该贴近 power.limit 并稳定，明显低于 TDP 说明负载没压满，测试本身无效。
第五步，显存与链路的硬指标。nvidia-smi -q -d ECC,PAGE_RETIREMENT,REMAPPED_ROWS 重点看三个量：Uncorrectable（DBE）必须为 0，出现即判失败；Pending Page Retirement 必须为 0；Remapped Rows 的 Correctable/Uncorrectable 若在本次压测期间增长，说明显存在持续劣化。NVLink 用 nvidia-smi nvlink -e 看误码计数，压测前后的增量比绝对值更有意义。
第六步，内核日志里的 XID。压测结束后查 dmesg -T | grep -i xid。按码判读：Xid 48 是不可纠正的双位 ECC，通常需要复位；63/64 是 row remapper 记录/失败，指向 HBM 页退役；74 是 NVLink 错误；79 是 GPU 从总线上掉下来，多为供电或 PCIe 问题；92 是单位 ECC 偏高，可纠正但要盯；94/95 是容器内/外的 ECC 错误。只看「测试没报错」而跳过 dmesg，会漏掉被驱动吞掉的硬件事件。
最后是一句必须说清的边界。dcgmi diag 不等于厂商的现场诊断（field diagnostics），NVIDIA 自己明确说明它不用于判定 RMA 资格，测试失败也可能源自主机、库、散热或供电。所以正确的用法是：dcgmi diag 做筛查，同一张卡连续两次失败就停止反复重测，转走厂商现场诊断流程并留完整日志——反复重测只会把可复现的证据磨掉。
