Tesla V100 on KnightLi Blog

Cómo comprobar si una Tesla V100 tiene errores ECC

Thu, 23 Apr 2026 11:50:21 +0800

Si tienes una Tesla V100 y quieres hacer primero una revisión básica de salud, el estado ECC es una de las cosas más útiles que mirar.

El método más directo es inspeccionar la información detallada de la tarjeta con nvidia-smi.

1
2
3

nvidia-smi -q
# Query GPU 0
nvidia-smi -q -i 0

Concéntrate en la sección ECC Errors.

En una tarjeta en estado normal, los cuatro grupos comunes de contadores bajo ECC Errors deberían ser 0 o N/A. Si alguno ya muestra un valor distinto de cero, significa que la tarjeta ha visto ese tipo de anomalía ECC antes, y deberías evaluar con más detalle si sigue siendo adecuada para uso continuo.

Salida de referencia:

nvidia-smi -q
    ECC Mode
        Current                          : Enabled
        Pending                          : Enabled
    ECC Errors
        Volatile
            Single Bit
                Device Memory            : 0
                Register File            : 0
                L1 Cache                 : 0
                L2 Cache                 : 0
                Texture Memory           : N/A
                Texture Shared           : N/A
                CBU                      : N/A
                Total                    : 0
            Double Bit
                Device Memory            : 0
                Register File            : 0
                L1 Cache                 : 0
                L2 Cache                 : 0
                Texture Memory           : N/A
                Texture Shared           : N/A
                CBU                      : 0
                Total                    : 0
        Aggregate
            Single Bit
                Device Memory            : 0
                Register File            : 0
                L1 Cache                 : 0
                L2 Cache                 : 0
                Texture Memory           : N/A
                Texture Shared           : N/A
                CBU                      : N/A
                Total                    : 0
            Double Bit
                Device Memory            : 0
                Register File            : 0
                L1 Cache                 : 0
                L2 Cache                 : 0
                Texture Memory           : N/A
                Texture Shared           : N/A
                CBU                      : 0
                Total                    : 0
    Retired Pages

Puedes pensarlo así:

Volatile es el conteo de errores del ciclo de encendido actual
Aggregate es el conteo acumulado durante la vida de la tarjeta
Single Bit significa errores corregibles
Double Bit significa errores no corregibles, más serios

Si solo quieres una regla rápida de cribado:

La mayoría de elementos deberían ser 0
N/A es normal en entradas no aplicables
Si Double Bit o el total no es 0, no te fíes solo de la descripción verbal del vendedor; conviene seguir con stress tests y comprobaciones de estabilidad

Esto no reemplaza una inspección completa, pero basta para una primera revisión cuando llega una V100.

¿Sigue valiendo la pena comprar una Tesla V100? ECC, mods de refrigeración y trampas DIY

Thu, 23 Apr 2026 11:15:10 +0800

Si has estado mirando tarjetas Tesla V100 usadas, probablemente viste dos opiniones muy distintas:

un lado dice que la tarjeta sigue siendo fuerte y ofrece gran valor
el otro dice que el mercado está lleno de trampas y que los usuarios DIY pueden quemarse fácilmente

Ambas son ciertas.

El punto no es que V100 sea incomprable. El punto es que no puedes comprarla como comprarías una GPU de consumo normal. No importa solo si arranca, ni si el vendedor dice “como nueva” o “retirada de servidor original”. Importa si fue manipulada, cómo se ve su estado ECC y si el setup de refrigeración y alimentación es realmente fiable.

Este artículo reúne los controles más útiles para comprar y usar una en la práctica.

Resumen rápido

Si solo quieres la versión corta:

V100 se produjo aproximadamente de 2017 a 2021, y las tarjetas 16G de 2021 son poco comunes
mirar solo “ECC cero” u “original pull” no basta, porque tanto datos como estado físico pueden alterarse
el mayor riesgo no suele ser comprar una tarjeta vieja, sino una que fue desmontada, reflasheada o usada con mala refrigeración
para usuarios DIY, el problema real suele estar en la placa adaptadora, alimentación, temperatura hotspot y refrigeración de backplate

1. Empieza por fecha de producción y pistas de lote

Un método práctico es revisar primero la fecha del chip y luego ver si las fechas de componentes cercanos encajan.

Por ejemplo, si la superficie del chip muestra 1828, normalmente significa:

18 = año 2018
28 = semana 28

Ese chip se produjo en la semana 28 de 2018.

Además del encapsulado del chip, los inductores cercanos suelen tener marcas relacionadas con fecha. Si la fecha del chip y la de los inductores están muy separadas, por ejemplo:

chip de 2017
inductores que apuntan a 2020

conviene tener cuidado. No prueba automáticamente que la tarjeta sea mala, pero sugiere que ya no está en estado muy original.

Si las fechas encajan de forma amplia, como un chip 2018 con componentes 2018, o un chip de finales de 2019 con componentes 2020, eso es mucho más normal.

2. No mires solo el chip: revisa inductores, resortes y marco

La inspección visual conviene dividirla en varios controles.

1. Toca primero los inductores

Presiona o toca suavemente los inductores. En condiciones normales, ninguno debería sentirse suelto.

Si alguno se mueve, suele significar:

la soldadura no está sana
el problema puede empeorar con el uso

Aunque la tarjeta funcione ahora, no es una buena señal.

2. Revisa si el resorte de retención fue retirado antes

Hay una lógica útil:

si el vendedor insiste en que es una “original server pull”
entonces el resorte de retención normalmente no debería haberse retirado casualmente

En un entorno normal de servidor de fábrica, la gente no retira ese resorte sin razón.

Si el resorte sale muy fácil, probablemente la tarjeta fue abierta antes. Si el vendedor además dice que nunca fue tocada, esa afirmación merece escepticismo.

3. Si el marco se separa demasiado fácil, también sospecha

Una vez retirado el marco medio, si toda la estructura se separa casi sin esfuerzo, suele significar que la tarjeta ya fue desmontada varias veces.

En V100 usadas, reflasheos, modificaciones y reparaciones suelen dejar exactamente ese tipo de trazas.

3. Si el backplate se separa demasiado fácil, sospecha reflasheo o manipulación previa

Un detalle importante es que hay una placa metálica bajo el PCB. No solo protege; también ayuda a disipar calor.

En estado original normal, este backplate no suele ser fácil de retirar por:

adhesivo
ajuste estructural estrecho
diseño no pensado para desmontajes repetidos

Si el backplate se separa del PCB con poca fuerza, sospecha:

fue abierta antes
pudo tener VBIOS reflasheado
pudo sufrir modificaciones secundarias

No la vuelve automáticamente inutilizable, pero contradice claramente “original e intacta”.

4. Cómo leer `ECC`: importa más si crece que si es cero

ECC es una de las primeras cosas que se miran en una V100, y hay que interpretarlo con cuidado.

Un método común es usar nvidia-smi en modo detallado y revisar ECC Errors.

1. Los errores en tiempo real son los más peligrosos

La sección superior puede entenderse como errores en tiempo real.

Si esos números siguen aumentando mientras la tarjeta corre, normalmente significa que ya está en estado inestable.

En simple:

una tarjeta que corre sin nuevos errores importa más que una lectura estática de cero
una tarjeta cuyos errores aumentan bajo estrés preocupa mucho más que una con solo conteos históricos acumulados

2. Los errores acumulados de por vida no siempre son terroríficos

Otra sección muestra errores acumulados de vida útil.

Si esos valores son:

de un solo dígito
o quizá decenas bajas

no es automáticamente desastre.

Si los errores en tiempo real no siguen aumentando durante uso real, la tarjeta puede seguir siendo perfectamente usable.

3. La sección de page retirement merece más atención

La sección de page retirement es aún más importante, porque indica bloques de memoria retirados tras errores no corregibles.

Una forma práctica de verlo:

categorías single-bit y double-bit pueden tener bloques retirados
si el total supera 10, entras en una zona donde conviene cautela

No siempre significa que la tarjeta sea inutilizable, pero sugiere menor memoria efectiva y menor confianza a largo plazo.

5. No veneres “zero ECC”: los datos pueden manipularse

Advertencia práctica:

los números ECC no son sagrados por sí mismos.

Si una tarjeta tiene:

datos extremadamente limpios
señales obvias de desmontaje
estructura claramente trabajada

no confíes en “zero ECC” por sí solo.

La analogía útil es un coche viejo que de pronto muestra 0 kilometraje y casi nada de desgaste. Cuesta no sospechar del odómetro.

Con V100 aplica igual:

números demasiado perfectos no siempre son buena noticia
importa que datos, estado físico y comportamiento bajo estrés tengan sentido juntos

6. El stress test es necesario, pero no basta probar el core

Puedes usar herramientas como gpu-burn durante varios minutos o más y observar:

si permanece estable
si la tarjeta desaparece
si aparecen nuevos errores ECC

Pero probar solo el core no demuestra que toda la tarjeta esté sana.

Muchos fallos de V100 no empiezan en el core, sino en:

sobrecalentamiento de alimentación
refrigeración insuficiente del backplate
temperaturas hotspot excesivas
adaptadores y refrigeración operando demasiado al límite

El stress test solo prueba que “la tarjeta corre ahora”. No prueba que “este setup DIY sobrevivirá a largo plazo”.

7. Para DIY, el punto débil suele ser refrigeración y alimentación

Esta quizá sea la parte más importante.

Para usuarios DIY, combinar una base adaptadora cualquiera con un cooler genérico no es un plan robusto.

V100 no es una tarjeta de consumo normal. Es un acelerador de servidor con:

alto consumo
alta densidad térmica
distribución de calor complicada

El chip no es lo único que genera calor. Backplate, zona de alimentación y conectores también se calientan, a veces mucho.

1. No mires solo temperatura promedio de GPU

Muchas herramientas muestran temperatura promedio, pero el número peligroso suele ser el hot spot.

Puede pasar que:

la temperatura visible esté en 60 y pico Celsius
mientras hotspots locales ya superen 100C

Por eso algunos builds DIY de V100 parecen “bien” en papel y luego mueren de repente.

2. La refrigeración de backplate debe considerarse

No puedes ignorar backplate y zona de alimentación.

Si solo enfrías el core, pero:

descuidas la zona MOS
el backplate no recibe ayuda térmica
la parte trasera carece de diseño térmico adecuado

el setup sigue incompleto.

3. Los water-cooling improvisados baratos son riesgosos

Cuidado con setups tipo “adaptador aleatorio + AIO barato”.

El problema no es que fallen siempre de inmediato. Es que a menudo tienen:

cobertura desigual de canales de agua
refrigeración incompleta de alimentación
control pobre de zonas hotspot reales
vida útil impredecible

8. Si aún quieres DIY, vigila al menos esto

Recomendaciones prácticas:

prefiere adaptadores más maduros y con historial
no te centres solo en el core; alimentación trasera y backplate también necesitan atención térmica
el bloque de agua necesita cobertura real y manejo uniforme del calor
tras stress test, sigue observando temperaturas, hotspots y comportamiento a largo plazo
la calidad de PSU también afecta coil whine y estabilidad

Lo difícil de un build V100 DIY no es “hacer que arranque”. Es “mantenerlo vivo y estable después”.

9. Coil whine y variación de adaptadores también son problemas reales

Dos puntos se pasan por alto.

1. El coil whine quizá no se elimine del todo

Depende de la tarjeta concreta, inductores, capacitores y entorno de alimentación. No siempre se arregla con un cable o accesorio.

2. La variación entre adaptadores es enorme

Por eso algunos vendedores, incluso vendiendo tarjeta desnuda, enfatizan:

probarla en banco primero
registrar número de serie
hacer stress tests
documentar el proceso

Muchos conflictos no vienen del silicio, sino del adaptador y la refrigeración usados después.

Cierre

¿Sigue valiendo la pena comprar Tesla V100? Sí, pero solo si entiendes qué compras y cómo planeas usarla.

No basta revisar:

si enciende
si ECC está todo en cero
si el vendedor dice “original pull”

Es más útil verificar:

si fechas y pistas de lote encajan
si hay señales sospechosas de desmontaje
si backplate y estructura fueron abiertos
si los errores aumentan bajo stress test
si tu refrigeración y alimentación son confiables

Especialmente para usuarios DIY, la parte más peligrosa de V100 no suele ser comprar una tarjeta vieja, sino subestimar lo exigentes que son en refrigeración, alimentación y calidad de modificación.