显存是 GPU 上最埋头干活、也最怕热的部件——判读显存健康，第一课是 ECC（纠错码）机制。NVIDIA 官方手册原文口径：「单比特错误被硬件自动纠正、不造成数据损坏；双比特错误可检测但不可纠正」——单比特（可纠正）错误在坏点初期零感知，但计数持续攀升往往就是颗粒老化的前兆；双比特（不可纠正）错误则直接威胁计算正确性，训练中途报错、推理结果劣化都可能与它相关。
NVIDIA 给坏点备了三层后手：页退休（同页多次单比特错误或一次双比特错误即触发，驱动把坏页隐藏）、行重映射（坏行重定向到保留行，Ampere 起支持，预算 A100 最多 64 次、H100 达 512 次——均为 NVIDIA 官方文档口径）；颗粒侧则自 HBM3 起内置片上纠错码（SK hynix 官方公告）。工具怎么读数见本库验卡指南词条，本条讲读数背后的机理。
| 项目 | 数值 / 口径 |
|---|---|
| 单比特 vs 双比特 | 单比特硬件自动纠正 · 双比特可检测不可纠正（NVIDIA nvidia-smi 官方手册） |
| 计数器两套口径 | 易失（驱动加载起算）/ 累计（终身计数）· Ampere 起累计不可清零（NVIDIA 手册） |
| 行重映射预算 | A100 最多 64 次 · H100 达 512 次（NVIDIA GPU Memory Error Management 文档） |
| 颗粒侧防线 | HBM3 起片上内置纠错码（SK hynix 2021 官方公告） |
B300 这代单卡 288GB HBM3e，显存健康直接决定整机寿命：验二手卡先读 ECC——易失计数接近零而累计计数高企，说明卡带病服役过；Ampere 起累计不可清零，这个终身计数是二手买家最硬的凭据之一。行重映射次数逼近预算上限（H100 为 512 次）的卡，要按「显存池即将缩水」来评估残值。
物理面三查：金手指（PCIe 边缘触点）看氧化、磨损与插拔痕——镀层发黑磨穿意味着多手流转或接触不良隐患；散热器看拆装痕、导热垫老化与显存侧温度（GPU-Z 可读显存温度与颗粒厂商，见验卡指南词条）——显存长期高温是单比特错误累积的第一诱因，压测时显存温度与 ECC 增量要一起盯。