全部文档
当前文档
最近更新时间：2026-06-16 17:51:58
ECC（Error Correcting Code）是一种用于检测和纠正内存中位错误的机制。在 GPU 计算中，ECC 对于确保数据完整性、防止计算错误和系统崩溃至关重要，特别是在数据中心、HPC 和 AI 训练场景。
现阶段消费级 GPU（GeForce/RTX 系列）不支持 ECC。
ECC 启用会占用约 6.25% 的显存容量。
当云监控出现以下情况时，表明 GPU 内存可能出现 ECC 故障：
告警配置操作，可参考云监控相关内容。
云监控报出 XID 63 / 64 / 94 / 95 报错，但设备未掉卡。
云监控报出 GpuMemError 事件，具体可参看裸金属服务器事件列表-GPU故障相关内容。
GPU ECC 内存可能出现以下异常类型：
SRAM Uncorrectable：SRAM 不可纠错错误
SRAM Correctable：SRAM 可纠错错误
DRAM Uncorrectable：DRAM 不可纠错错误
DRAM Correctable：DRAM 可纠错错误
SRAM Threshold Exceeded：SRAM 阈值超限
Remapping Failure Occurred：重映射失败
登录到云监控报出异常的设备。
执行以下命令查看 ECC 状态：
若设备有多张 GPU 卡，需要逐一查看每张卡的状态。
重点关注以下字段：DRAM Uncorrectable、SRAM Uncorrectable、Uncorrectable Error。
nvidia-smi -q -d ECC,ROW_REMAPPER回显正常示例：
回显异常示例：
出现 ECC 异常后，优先重启实例。
重启完成后，执行以下命令快速获取当前 ECC 状态：
nvidia-smi --query-gpu=index,serial,ecc.errors.corrected.aggregate.total,gpu_name,gpu_bus_id,vbios_version --format=csv以下为不同 ECC 异常信号的阈值与对应处理方式：
具体查看关键字 | 阈值 | 处理方式 |
|---|---|---|
| > 0 | 1. 优先重启设备； 2. 重启后再次查看 ECC 状态； 3. 若未恢复，通过 在线支持 联系技术支持人员解决 |
| > 0 | |
| > 0 | |
| > 0 | |
| No | |
| No | |
| No |
若重启后依旧出现以下任一情况，请直接通过 在线支持 联系技术支持人员解决：
SRAM Threshold Exceeded：Yes
Pending：No 且 Remapping Failure Occurred：Yes
纯净模式