From b9606672c2257b00ed4d5fd6f2b473c32673d8c2 Mon Sep 17 00:00:00 2001 From: spektr Date: Thu, 5 Nov 2026 13:14:05 +0100 Subject: [PATCH] GNAI-010 v0.18: PWM-Durchgriffstest - Plateau 76 C unter Volllast (10.10) Manueller Luefter-PWM 255 auf der Karte im Slot 03:00.0: 3.149 RPM, stabiles Junction-Plateau 76 C (Peaks 80 C), Durchsatz unveraendert (18,04 t/s). Werkkurve als Engpass identifiziert. Benchmarks unter Override thermisch wieder zulaessig; Luefterkurven-Service als Dauerloesung festgelegt. Override nach Test auf Auto zurueckgesetzt. Generated by Mistral Vibe. Co-Authored-By: Mistral Vibe --- .../ai/GNAI-010-TECH_Llama-Serving.md | 60 ++++++++++++++----- 1 file changed, 44 insertions(+), 16 deletions(-) diff --git a/docs/platform/llm-server/ai/GNAI-010-TECH_Llama-Serving.md b/docs/platform/llm-server/ai/GNAI-010-TECH_Llama-Serving.md index 610ca70..717d07c 100644 --- a/docs/platform/llm-server/ai/GNAI-010-TECH_Llama-Serving.md +++ b/docs/platform/llm-server/ai/GNAI-010-TECH_Llama-Serving.md @@ -34,6 +34,7 @@ | 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. | | 2026-11-04 | 0.17 | spektr / Mistral Vibe | Deckel-Einflussmessung ergänzt (Abschnitt 10.10): Bei offenem Deckel 89 °C Junction im Slot 03:00.0 nach 6,75 Min statt 86–88 °C nach 5,5 Min geschlossen – Deckel liefert nur ~1–1,5 Min Verzögerung. Hypothese gehäuseweite Luftführungs-Revision verworfen; Engpass ist das Karten-Sandwich lokal. Konfigurative Hebel (PWM-Anhebung, Tensor-Split, Power Cap) als nächster Testschritt nach GNMON-001-Anschluss festgehalten. | +| 2026-11-05 | 0.18 | spektr / Mistral Vibe | PWM-Durchgriffstest ergänzt (Abschnitt 10.10): manueller Lüfter-PWM 255 auf der Karte im Slot 03:00.0 ergibt 3.149 RPM und ein stabiles Junction-Plateau von 76 °C (Peaks 80 °C) bei unverändertem Durchsatz (18,04 t/s) – Vorläufe brachen bei 86–93 °C ab. Werkkurve als Engpass identifiziert; Benchmarks unter Override thermisch wieder zulässig, eigenes Lüfterkurven-Service als Dauerlösung festgelegt, M5-Monitoring als live verifiziert dokumentiert. Override nach Test auf Auto zurückgesetzt. | --- @@ -882,28 +883,55 @@ der nächste Schritt (Lüfter-PWM-Anhebung für die Karte im Slot 03:00.0, Tensor-Split-Verschiebung zugunsten des kühlen Slots, ggf. Power Cap); sie werden nach dem GNMON-001-Anschluss des KI-Servers getestet. +#### PWM-Durchgriffstest (05.11.2026, Werkkurven-Override) + +Nach dem M5-Anschluss des KI-Servers an die Monitoring-Suite (GNMON-001, +Metrikpfad verifiziert über SSH-Tunnel auf die Server-VictoriaMetrics) +wurde der erste konfigurative Hebel getestet: manueller Lüfter-PWM der +Karte im Slot 03:00.0 (`pwm1_enable=1`, `pwm1=255`, hwmon, revertierbar). +Die Karte dreht damit 3.149 RPM – die Werkkurve war der Engpass, nicht +die Lüfter. Lastform wie in allen Vorläufen (3 parallele Ströme, +15 Minuten Dauer, offener Deckel): + +| Messpunkt | Werkkurve (04.11.) | PWM 255 (05.11.) | +| --- | ---: | ---: | +| Junction nach 2 Min | ~73 °C | 64 °C | +| Junction nach 5,5 Min | 86–88 °C (Abbruch) | 72 °C | +| Junction-Plateau | nicht erreicht | **76 °C** (Peaks 79–80 °C) | +| Card 1 (07:00.0, Auto) | 59–64 °C | 59–60 °C | +| Durchsatz | 17,8–18 t/s | 18,04 t/s (unverändert) | + +Bewertung: Mit vollem Lüfterdurchgriff hält die Karte im kritischen Slot +ein dauerhaftes Plateau bei 76 °C – 19–34 °C unter den Abruchwerten der +Vorläufe, unter der vmalert-Grenze (95 °C) und weit unter SW CTF +(110 °C). Der Durchsatz ist unverändert, die Voll-belegung der Lüfter +kostet keine Inferenzleistung. Damit ist die Benchmark-Fortsetzung unter +vollständigem Lüfterdurchgriff thermisch wieder zulässig; eine Dauer- +lösung (eigene Lüfterkurve mit Hysterese als kleines Service, da die +Werkurve träge resp. defekt erscheint) ist Folgeaufgabe. Der PWM-Override +wurde nach dem Test auf `pwm1_enable=2` (Auto) zurückgesetzt. + Konsequenzen und Folgeaktionen: -- a) Alle Benchmark-Serien (BFCL-Restserie Swift 1.0 und Unsloth) bleiben - 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 - GPU-Junction und Lüfterdrehzahl) wird vom Monitoring-Backlog (GNMON-001) - zur dringenden Anforderung hochgestuft; der Zwischenfall zeigt, dass - ein Lastprofil-Status quo ohne Überwachung nicht den Ist-Zustand - absichert. +- a) Die Benchmark-Serien (BFCL-Restserie Swift 1.0 und Unsloth) sind unter + vollem Lüfterdurchgriff (pwm 255) thermisch wieder zulässig; der + Override ist pro Lauf manuell zu setzen und danach auf Auto + zurückzusetzen, bis eine Dauerlösung besteht. +- b) Für den Dauerbetrieb wird ein eigenes Lüfterkurven-Service + (Junction→PWM mit Hysterese) angestrebt, da die Werkkurve träge bzw. + defekt erscheint (Stand 05.11.2026); bis dahin läuft produktive Last + nur mit Override. +- c) Die dauerhafte Sensorüberwachung mit Schwellwert-Alarm wurde mit + GNMON-001 M5 umgesetzt (K1-Collector + Server-VictoriaMetrics, + verifiziert 05.11.2026 über SSH-Tunnel-Abfrage durch den Agenten; + vmalert-Regeln aus M4 inkl. Vorfall-Signaturen aktiv). - 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. +- e) Offen bleibt der Puls auf die 01.11.-Referenz (54 °C bei + 1.800–2.100 RPM): Wenn die eigene Lüfterkurve steht, ist das + Referenzprofil unter Override-Bedingungen zu wiederholen. ## 11. Noch nicht festgelegte Werte