GNAI-010 v0.16: Slot-Tauschprobe - Defekt folgt dem Slot, nicht der Karte (10.10)
Verdaechtige Karte im Slot 07:00.0 stabil bei ~60 C; bisher unauffaellige Karte im Slot 03:00.0 bei 86-88 C nach 5,5 Min (gleiche Leistung ~140 W). Beide Slots ueber 01.11.-Referenzniveau: Verdacht Luftfuehrungs-Regression am Gehaeuse. RMA zurueckgestellt; Gehaeuse-Pruefung und GNMON-001-Anschluss des KI-Servers als Folgeaktionen festgelegt. Generated by Mistral Vibe. Co-Authored-By: Mistral Vibe <vibe@mistral.ai>
This commit is contained in:
@@ -32,6 +32,7 @@
|
||||
| 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. |
|
||||
| 2026-11-04 | 0.16 | spektr / Mistral Vibe | Slot-Tauschprobe korrigiert die Fehleranalyse (Abschnitt 10.10): Der thermische Defekt folgt dem Slot 03:00.0, nicht der Karte (verdächtige Karte im Slot 07:00.0 stabil bei ~60 °C; unauffällige Karte im Slot 03:00.0 bei 86–88 °C nach 5,5 Min bei gleicher Leistung). Beide Slots liegen über dem 01.11.-Referenzniveau – Verdacht auf Luftführungs-Regression am Gehäuse (Filter/Gehäuselüfter/Kabel). Karten-RMA zurückgestellt; Gehäuse-Prüfung und GNMON-001-Anschluss des KI-Servers als Folgeaktion festgelegt. |
|
||||
|
||||
---
|
||||
|
||||
@@ -810,12 +811,52 @@ 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.
|
||||
|
||||
#### Slot-Tauschprobe (03.11.2026, 20:52 Uhr)
|
||||
|
||||
Nach Sichtkontrolle durch den Betreiber (Lüfter aller Karten laufen frei,
|
||||
keine Geräusche, Kühlrippen sauber) wurden beide Karten physisch getauscht
|
||||
und der diskriminierende Lasttest bei geschlossenem Gehäuse wiederholt
|
||||
(gleiche Lastform, kühlere Umgebung, Abbruch weiterhin bei 90 °C Junction):
|
||||
|
||||
| Slot | Karte | Junction-Verlauf | Plateau/Final | Lüfter/PWM | Leistung |
|
||||
| --- | --- | --- | --- | --- | ---: |
|
||||
| 03:00.0 | vormals unauffällige Karte | 29 → 52 → 68 °C in 1/3/5 Min | 86–88 °C bei Abbruch (~5,5 Min) | 1.353 RPM / 75 | 140 W |
|
||||
| 07:00.0 | vormals verdächtige Karte | 29 → 52 °C in 1,5 Min | 58–63 °C (stabiles Plateau) | ~850 RPM / 42 | 132 W |
|
||||
|
||||
Damit korrigiert sich die Fehleranalyse aus der v0.15: Der thermische
|
||||
Defekt **folgt dem Slot 03:00.0, nicht der Karte**. Die gestrige
|
||||
Verdachtskarte zeigt im Slot 07:00.0 ein stabiles Plateau bei ~60 °C und ist
|
||||
gesund; die gestern unauffällige Karte heizt im Slot 03:00.0 mit gleicher
|
||||
Leistungsaufnahme (~140 W) in fünf Minuten auf 86–88 °C. Zwei zusätzliche
|
||||
Beobachtungen:
|
||||
|
||||
- a) Auch Slot 07:00.0 liegt mit ~58–63 °C rund 10–15 °C über dem
|
||||
Referenzprofil vom 01.11 (47–51 °C unter Volllast) – die gesamte
|
||||
gehäuseinterne Kühlleistung hat sich seit dem 01.11. verschlechtert,
|
||||
der Slot 03:00.0 katastrophal (54 °C Referenz → 86–88 °C).
|
||||
- b) Die Lüfter-PWM-Kurven beider Karten rampten in beiden Slots
|
||||
deutlich träger als im Referenzprofil (01.11.: 1.800–2.100 RPM bei
|
||||
54 °C; jetzt 1.353 RPM bei 88 °C bzw. 850 RPM bei 60 °C). Ein
|
||||
hartes PWM-Deckelungs-Kap (v0.15-Vermutung) hat sich nicht bestätigt;
|
||||
die Kurve klettert langsam weiter, erreicht aber bei kritischen
|
||||
Temperaturen nicht die Referenzzahlen.
|
||||
|
||||
Plausibelste Ursache: eine **gehäuse- oder slotbezogene Luftführungs-
|
||||
regression** (verstopfte Ansaugfilter, ausgefallene/stehende Gehäuse-
|
||||
lüfter, veränderte Kabelverlegung nach den Gehäuseöffnungen, blockierter
|
||||
Luftpfad zum Slot 03:00.0), die beide Slots trifft und den Slot 03:00.0
|
||||
besonders. Eine karteninterne Ursache (Lüfter, Kühlkörper, Paste) ist
|
||||
nach Tauschprobe und Sichtkontrolle unwahrscheinlich. Der Unterschied
|
||||
der gestrigen (93 °C nach 95 s) zu der heutigen Kurve (86–88 °C nach
|
||||
5,5 Min im gleichen Slot) ist überwiegend auf die kühlere Umgebung und
|
||||
die Neumontage der Karten zurückzuführen.
|
||||
|
||||
Konsequenzen und Folgeaktionen:
|
||||
|
||||
- a) Alle Benchmark-Serien (BFCL-Restserie Swift 1.0 und Unsloth) bleiben
|
||||
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.
|
||||
ausgesetzt, bis die Luftführungs-Regression am Gehäuse/Slot 03:00.0
|
||||
gefunden und behoben ist; der aktuelle Zustand führt bei Dauerlast
|
||||
erneut in Richtung SW CTF.
|
||||
- b) Bis dahin wird kein Engine-Profil gestartet; der Host bleibt im
|
||||
Leerlauf überwacht.
|
||||
- c) Die dauerhafte Sensorüberwachung mit Schwellwert-Alarm (insbesondere
|
||||
@@ -823,8 +864,15 @@ 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 (Lüfter/Cache) und ggf.
|
||||
Slot-Tauschprobe GPU0 gegen GPU1 zur Defektverfolgung an den Betreiber.
|
||||
- d) Physische Prüfung durch den Betreiber: Gehäuselüfter (drehen alle?
|
||||
Drehzahl plausibel?), Ansaugfilter/Staubvliese, Kabelverlegung im
|
||||
Luftweg zum Slot 03:00.0, Abstand/Panels im Bereich des Slots. Karten-
|
||||
RMA ist nach der Tauschprobe nicht mehr erste Priorität.
|
||||
- e) Anschluss des KI-Servers an das Monitoring (GNMON-001 Rollen
|
||||
`gnmon_collector`/`gnmon_victoria_metrics`) vor Wiederaufnahme des
|
||||
Lastbetriebs, damit Junction-Temperatur und Lüfterdrehzahl
|
||||
kontinuierlich mit Alarmierung (Regeln aus GNMON-001 M4) überwacht
|
||||
werden.
|
||||
|
||||
## 11. Noch nicht festgelegte Werte
|
||||
|
||||
|
||||
Reference in New Issue
Block a user