全部文档
当前文档
最近更新时间：2026-07-28 10:35:49
星流平台对 GPU 卡资源的健康状态进行可视化展示。若平台监测到非白名单范围内的异常日志（例如大量 XID 94 与 XID 137 类日志），将判定对应 GPU 卡存在异常，对相关设备标记污点异常标识，并将上报异常日志的卡标记为不健康卡，最终导致平台可正常调度的卡数减少。
星流平台默认白名单
XID13、XID31、XID43 类型已纳入白名单，不会触发异常标记。
XID 94：Contained ECC Error
当应用程序遭遇到 GPU 不可纠正的显存 ECC 错误时，GPU的错误抑制机制会尝试将错误抑制在踩到硬件故障的应用程序中，而不会导致 GPU 上的所有应用程序受到影响。建议在方便的时候重置 GPU。在能够执行重置之前，应用程序可以继续运行。
当抑制机制成功抑制错误时，会产生 XID 94 事件，仅影响遭遇了不可纠正 ECC 错误的应用程序。抑制错误的一个可能原因是触发了内存错误纠错码（ECC）的处理。
XID 137：NVLink FLA Privilege Error
当远程内存管理单元（MMU）报告故障时（例如芯片上的相关单元进行非法的 NVLink 对等访问），就会记录此事件。通常，这些是应用程序级别的错误，但也可能是驱动程序错误或硬件错误。
更多 XID 错误说明请参 官方文档。
登录星流平台，在顶部导航栏选择训推与仿真。
在左侧导航栏，选择资源管理 >资源组，点击对应资源组名称/ID，进入其详情页面。
选择节点列表页签，找到异常节点，复制节点 IP。
如下图所示，相应GPU节点被标记为异常，相应处理方式为联系金山云。
如下图所示，显示可用卡数不足8块（案例中为8块），出现少卡且标记异常的情况，可以点击对应设备信息，查看监控按钮。
在资源组详情页，选择资源监控 > 节点监控，粘贴节点 IP 进行查询。
查看 GPU XID 错误 界面，确认具体 XID 类型。
重启设备（推荐）
重启是根本解决方案。XID 94 属于临时、可隔离的显存 ECC 软错误，重启能清除脏上下文、复位 GPU、避开坏页，恢复业务环境。
将不影响业务的 XID 信息加入白名单，需确认异常 XID 信息确实不影响业务。
平台层面不会少卡，但业务不冗余的情况下仍可能影响业务，需整体评估。确认后联系对应服务的金山云工程师添加白名单即可。
纯净模式
