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 0bbec74..610ca70 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 @@ -33,6 +33,7 @@ | 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. | +| 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. | --- @@ -851,6 +852,36 @@ 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. +#### Deckel-Einflussmessung (04.11.2026, offenes Gehäuse) + +Wiederholung des Tauschprobe-Lasttests bei abgenommenem Gehäusedeckel +(gleiche getauschte Bestückung, gleiche Lastform aus drei Strömen, +Abbruch bei 90 °C Junction): + +| Konfiguration (jeweils Slot 03:00.0) | Junction-Endwert | Zeitpunkt | Lüfter/PWM | +| --- | --- | --- | --- | +| geschlossen (03.11.2026) | 86–88 °C | 5,5 Min (Abbruch) | 1.353 RPM / 75 | +| offen (04.11.2026) | 89 °C | 6,75 Min (Abbruch) | 1.479 RPM / 83 | + +Slot 07:00.0 plateauert in beiden Läufen identisch bei 59–64 °C. Ergebnis: +Der offene Deckel verlangsamt den Junction-Anstieg im Slot 03:00.0 nur um +rund 1–1,5 Minuten und lässt die Lüfter ~100–130 RPM schneller drehen – der +kritische Zustand wird dennoch erreicht. Damit ist die v0.16-Hypothese +einer gehäuseweiten Luftführungs-Revision weitgehend widerlegt: Der +thermische Engpass ist **lokal zwischen den Karten** (Bestückungssandwich +mit nahezu berührenden Karten, Axiallüfter der einen Karte direkt vor der +Rückplatteinheit der anderen und ~2 cm ungelüftete Wand dahinter – +Betreiber-Sichtkontrolle vom 04.11.2026), nicht der Deckel und nicht die +Karten selbst. Warum die Karten am 01.11. im identischen Verbau 54 °C +(Referenzprofil 10.8) hielten, bleibt ungeklärt; die Referenz +(1.800–2.100 RPM bei 54 °C) deutet auf einen damals aggressiveren +Lüfteransteuerungs-Zustand. + +Praktische Konsequenz: Ohne Verbauänderung sind die konfigurativen Hebel +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. + Konsequenzen und Folgeaktionen: - a) Alle Benchmark-Serien (BFCL-Restserie Swift 1.0 und Unsloth) bleiben