如何检查 Tesla V100 是否存在 ECC 错误

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

如果你手上有一张 Tesla V100，想先做最基础的健康检查，ECC 状态是很值得优先看的项目。

最直接的方法就是用 nvidia-smi 查看显卡详细信息。

1
2
3

nvidia-smi -q
# 查询第 0 块 GPU
nvidia-smi -q -i 0

重点看 ECC Errors 这一段。

一张状态正常的卡，ECC Errors 下面常见的 4 段统计都应该是 0 或 N/A。如果这里已经出现非零值，就说明这张卡曾经出现过对应类型的 ECC 异常，需要继续判断是否适合继续使用。

参考输出如下：

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

可以简单这样理解：

Volatile 是本次上电周期内的错误统计
Aggregate 是累计错误统计
Single Bit 是可纠正错误
Double Bit 是不可纠正错误，风险更高

如果你只是想做快速筛查，先记住一个实用标准：

大部分项目应为 0
某些不适用项目显示 N/A 也正常
如果 Double Bit 或总数不是 0，就不要只看卖家口头描述，最好继续做更完整的压力测试和稳定性验证

这一步不能代替完整验卡，但足够作为 V100 到手后的第一轮排查。

Nvidia-Smi on KnightLi的博客

如何检查 Tesla V100 是否存在 ECC 错误