故障排查 on KnightLi的博客

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。

Windows 工作管理員資料暫停不更新，通常是更新速度被設為已暫停

Thu, 09 Apr 2026 18:15:53 +0800

有時候打開 Windows 工作管理員，會發現「處理程序」或「效能」頁面中的資料像是卡住了一樣，CPU、記憶體、磁碟或網路數值長時間沒有變化。乍看之下很像系統異常，但實際上正在執行的程式、網路傳輸和資源占用仍然都在正常變化。

這種情況通常不是系統真的停住了，而是工作管理員的更新頻率被改成了「已暫停」。

現象

常見表現包括：

「處理程序」頁的 CPU、記憶體等資料不再跳動
「效能」頁的曲線長時間不更新
明明還有程式在執行，但工作管理員看起來像是靜止狀態

下面是問題出現時的介面示例：

原因

工作管理員支援調整「更新速度」，可以設定為高、正常、低，或者直接暫停。

如果這裡被設成了「已暫停」，介面上的各項統計資料就不會繼續更新，因此看起來就像 CPU、記憶體或網路資訊全部停住了一樣。

如下圖所示，這個選項通常可以在工作管理員上方選單中的「檢視」裡找到：

解決方法

按下面的步驟檢查：

打開工作管理員
點擊上方選單「檢視」
找到「更新速度」
檢查目前是否被設為「已暫停」
將其改回「正常」或「高」

修改之後，再觀察「處理程序」或「效能」頁面，資料一般就會恢復正常更新。

補充說明

如果你改回「正常」之後仍然沒有刷新，再繼續檢查下面幾項：

是否使用了某些系統精簡工具或第三方效能監控工具
是否透過遠端方式連線到系統，導致介面更新異常
是否是工作管理員本身卡死，此時可以關閉後重新打開

不過在大多數情況下，這類問題就是「更新速度」被誤設為暫停導致的，優先檢查這一項通常最快。