如何檢查 Tesla V100 是否存在 ECC 錯誤

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

如果你手上有一張 Tesla V100，想先做最基礎的健康檢查，ECC 狀態是很值得優先看的項目。

最直接的方法，就是用 nvidia-smi 查看顯卡詳細資訊。

1
2
3

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

重點看 ECC Errors 這一段。

一張狀態正常的卡，ECC Errors 下面常見的 4 段統計都應該是 0 或 N/A。如果這裡已經出現非零值，就代表這張卡曾經出現過對應類型的 ECC 異常，需要進一步判斷是否適合繼續使用。

參考輸出如下：

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

可以簡單這樣理解：

Volatile 是本次上電週期內的錯誤統計
Aggregate 是累計錯誤統計
Single Bit 是可糾正錯誤
Double Bit 是不可糾正錯誤，風險更高

如果你只是想做快速篩查，先記住一個實用標準：

大部分項目應為 0
某些不適用項目顯示 N/A 也正常
如果 Double Bit 或總數不是 0，就不要只看賣家口頭描述，最好繼續做更完整的壓力測試與穩定性驗證

這一步不能取代完整驗卡，但足夠作為 V100 到手後的第一輪排查。

Nvidia-Smi on KnightLi的博客

如何檢查 Tesla V100 是否存在 ECC 錯誤