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:
2026-11-04 16:59:45 +01:00
parent c94ac31085
commit 57a3c1140a
@@ -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