GNAI-010 v0.15: Lasttest bestätigt Kühldefekt GPU0 (10.10)
93 °C Junction nach 95 s Last bei nur 28 % PWM / ~1.340 RPM statt Referenz 54 °C bei 1.800–2.100 RPM. Last abgebrochen, Engine gestoppt; Benchmarks bis zur Hardware-Behebung ausgesetzt. Generated by Mistral Vibe. Co-Authored-By: Mistral Vibe <vibe@mistral.ai>
This commit is contained in:
@@ -31,6 +31,7 @@
|
||||
| 2026-11-01 | 0.12 | spektr / Mistral Vibe | Unsloth-Wiederholung bestanden (Abschnitt 10.8): Grundabnahme, 128k-Prefill-Leiter (677/659/559/420 t/s – durchgehend schneller als Swift), Kontext-Negativtest und 62 Minuten Stabilitätslast ohne Neustart. Begleitend erstmals thermisches Lastprofil per Host-Sensoren erhoben: alle Werte unter 55 % der Crit-Grenzen, kein Throttling. |
|
||||
| 2026-11-02 | 0.13 | spektr / Mistral Vibe | Drittes Profil Swift 1.5 Q6_K bereitgestellt und technisch abgenommen (Abschnitt 10.9): S0-Bring-up 64k und S1 128k nach GNAI-009-Testmatrix, Prefill-Leiter auf Unsloth-Niveau (684/676/576/423 t/s), Grund- und Negativtests bestanden; Stabilitätsstunde im Anschluss. |
|
||||
| 2026-11-03 | 0.14 | spektr / Mistral Vibe | Thermischer Zwischenfall dokumentiert (Abschnitt 10.10): GPU0 SW CTF unter BFCL-Last um 19:36 Uhr löste geordneten Not-Shutdown aus; BFCL-Restserie ohne Scores abgebrochen. Nach Wiederanlauf idlet GPU0 mit 62 °C bei 0 RPM Lüfter trotz ~41 % PWM-Anforderung – Verdacht Lüfterstillstand der Sapphire Nitro+, physische Prüfung durch Betreiber offen; Benchmark-Aussetzung und Hochstufung der Sensorüberwachung (GNMON-001) beschlossen. |
|
||||
| 2026-11-03 | 0.15 | spektr / Mistral Vibe | Lasttest mit geschlossenem Gehäuse ergänzt (Abschnitt 10.10): GPU0 erreicht bei drei parallelen Strömen nach 95 Sekunden 93 °C Junction bei nur 28 % PWM/~1.340 RPM (Referenz 01.11.: 54 °C bei 1.800–2.100 RPM). Kühldefekt GPU0 bestätigt (Lüfterlager und/oder Kühlkörperanpressung); Last abgebrochen, Engine gestoppt, Benchmarks bis zur Hardware-Behebung ausgesetzt. |
|
||||
|
||||
---
|
||||
|
||||
@@ -776,12 +777,45 @@ durch den Betreiber steht aus; der Idle-Temperatur-Fund spricht für einen
|
||||
frisch aufgetretenen Hardwarefehler, da dieselbe Karte zwei Tage zuvor
|
||||
unter Dauerlast unkritisch lief.
|
||||
|
||||
#### Lasttest mit geschlossenem Gehäuse (03.11.2026, 19:54 Uhr)
|
||||
|
||||
Nach physischer Inspektion durch den Betreiber (Gehäuse offen, alle sechs
|
||||
GPU-Lüfter drehten sichtbar) wurde der Lasttest mit geschlossenem Gehäuse
|
||||
wiederholt: Engine-Profil Swift 1.0, drei parallele Chat-Completion-Ströme
|
||||
(`max_tokens` 3500), Überwachung im 5-Sekunden-Takt über hwmon, Abbruch bei
|
||||
90 °C Junction (Schwelle bewusst unterhalb SW CTF ~110 °C):
|
||||
|
||||
| Zeitpunkt | GPU0 Edge / Junction | GPU0 Lüfter / PWM | GPU1 Junction / Lüfter |
|
||||
| --- | --- | --- | --- |
|
||||
| Lastbeginn | 41 / 44 °C (nach Warmlauf) | 0 RPM / 0 | 34 °C / 0 RPM |
|
||||
| +65 s | 67 / 73 °C | 960 RPM / 48 | 64 °C / 959 RPM |
|
||||
| +95 s | 86 / 93 °C | 1.317 RPM / 71 | 70 °C / 749 RPM |
|
||||
| Laststopp (bei 93 °C) | 86 / 93 °C | 1.340 RPM / 71 | 70 °C / 719 RPM |
|
||||
| +50 s nach Stopp | 68 / 71 °C | fallend | 47 °C / 0 RPM |
|
||||
|
||||
Abbruch der Last nach rund 95 Sekunden wegen Erreichens der 90-°C-Schwelle.
|
||||
|
||||
Bewertung: Der Kühldefekt der GPU0 ist damit bestätigt, und er liegt nicht
|
||||
allein im Lüfterstillstand. Zum Referenzprofil vom 01.11. (Abschnitt 10.8:
|
||||
54 °C Junction unter Volllast, Lüfter 1.800–2.100 RPM) erreicht die Karte
|
||||
heute bei gleicher Lastklasse nach 95 Sekunden 93 °C Junction, während der
|
||||
Lüfteraggregate-PWM bei nur 71/255 (~28 %) und ~1.340 RPM bleibt – bei
|
||||
93 °C Junction müsste die Karte auf 100 % PWM stehen. Das Muster (0 RPM bei
|
||||
41 % PWM-Anforderung direkt nach dem Reboot; sichtbar drehende, aber zu
|
||||
langsame Lüfter unter Last) spricht für Lagerschaden/Festlaufen mehrerer
|
||||
GPU0-Lüfter oder eine gestörte Kühlkörperanpressung (Paste/Pads); beides
|
||||
erklärt, warum der SW CTF am 03.11. nach ~19 Minuten BFCL-Dauerlast
|
||||
auslöste, während die identische Karte am 01.11. 55 Minuten Dauerlast ohne
|
||||
Throttling vertrug. GPU1 läuft ebenfalls ~17–20 °C wärmer als im
|
||||
Referenzprofil; das kann Folge der GPU0-Abwärme im geschlossenen Gehäuse
|
||||
sein und ist nach Austausch/Reparatur der GPU0 erneut zu messen.
|
||||
|
||||
Konsequenzen und Folgeaktionen:
|
||||
|
||||
- a) Alle Benchmark-Serien (BFCL-Restserie Swift 1.0 und Unsloth) bleiben
|
||||
so lange ausgesetzt, bis die GPU0-Kühlung geprüft/bestanden ist; unter
|
||||
Störfall-Kühlung ist mit Wiederholung des SW CTF nach ~20 Minuten
|
||||
Volllast zu rechnen.
|
||||
ausgesetzt, bis die GPU0-Kühlung repariert oder die Karte getauscht ist;
|
||||
unter dem aktuellen Zustand ist mit SW-CTF-Repetition nach wenigen
|
||||
Minuten Volllast zu rechnen.
|
||||
- b) Bis dahin wird kein Engine-Profil gestartet; der Host bleibt im
|
||||
Leerlauf überwacht.
|
||||
- c) Die dauerhafte Sensorüberwachung mit Schwellwert-Alarm (insbesondere
|
||||
@@ -789,8 +823,8 @@ Konsequenzen und Folgeaktionen:
|
||||
zur dringenden Anforderung hochgestuft; der Zwischenfall zeigt, dass
|
||||
ein Lastprofil-Status quo ohne Überwachung nicht den Ist-Zustand
|
||||
absichert.
|
||||
- d) Entscheidung über RMA/Wartung der GPU0 und ggf. Absenken der
|
||||
Lastgrenzen (Power Cap) an den Betreiber.
|
||||
- d) Entscheidung über RMA/Wartung der GPU0 (Lüfter/Cache) und ggf.
|
||||
Slot-Tauschprobe GPU0 gegen GPU1 zur Defektverfolgung an den Betreiber.
|
||||
|
||||
## 11. Noch nicht festgelegte Werte
|
||||
|
||||
|
||||
Reference in New Issue
Block a user