
ECC(Error Correcting Code)是数据中心卡的显存纠错机制——二手卡验货里,ECC 计数是判断 "这张卡跑了多狠、显存有没有伤"的核心窗口。本词条讲清三件事:两种计数的区别、错误的分级判读、 remapped rows 重映射机制——都来自 nvidia-smi 的标准输出(通用第三方视角)。
| 维度 | Tesla P40 | V100 | A100 | H100 |
|---|---|---|---|---|
| ECC 显存 | ✓(GDDR5 ECC) | ✓(HBM2 ECC) | ✓(HBM2e ECC) | ✓(HBM3 ECC) |
| remapped rows | — | — | ✓(A000 系起) | ✓ |
| ECC 计数 | volatile/aggregated | volatile/aggregated | volatile/aggregated | volatile/aggregated |
| 消费卡对照 | GeForce 消费卡大多不带 ECC 或不可查询(3090/4090/5090 显存纠错能力有限·官方口径)——验消费卡以压测为主 | |||
口径:ECC 支持=各代官方规格(2026-11 核验)。remapped rows 为 A100 起新增机制——查老卡无此字段属正常。
| 步骤 | 操作 | 解读口径 |
|---|---|---|
| ① 拉取计数 | nvidia-smi -q | 查找 ECC Mode 与 Memory 部分的 volatile/aggregated 计数 | 确认 ECC Mode=Enabled(Disabled 状态下计数不累积) |
| ② 分级判读 | 看 single-bit(可纠正)与 double-bit(不可纠正)分别计数 | single-bit 少量=正常;double-bit 出现=硬伤信号(建议规避或深度复测) |
| ③ remapped rows | H100/A100:查看 remapped 行数(remapped/failing/bank retention) | remapped>0=出现过可纠正显存错误已被硬件兜底;大量增长=显存退化信号 |
| ④ 交叉验证 | 结合 显存压测 复核 | 压测报错复现=实锤;压测干净=历史计数偏高但当前可用(口径:分级判读) |
口径:nvidia-smi 字段名与分级框架=NVIDIA 官方文档(2026-11 核验)——字段随驱动版本更新,以当版输出为准。