SECTIONS
EDITIONS
NETWORK
AIXX Pedia Die Enzyklopädie der Rechenleistung

AIXX Pedia › Technisches Konzept › Videospeicher-Gesundheit und Fehlerdiagnose

Videospeicher-Gesundheit und Fehlerdiagnose

VRAM HEALTH GUIDE · Fachbegriffs-Eintrag

Überblick OVERVIEW

Der VRAM ist das hardest workende und zugleich wärmeempfindlichste Bauteil einer GPU — die erste Lektion zur Beurteilung der VRAM-Gesundheit ist der ECC-Mechanismus (Error Correction Code). Die offizielle NVIDIA-Dokumentation hält fest: „Einbitfehler werden von der Hardware automatisch korrigiert und verursachen keinen Datenverlust; Doppelbitfehler sind erkennbar, aber nicht korrigierbar.“ Einbitfehler (korrigierbar) bleiben in der Anfangsphase eines Defekts völlig unbemerkt, ein kontinuierlich steigender Zähler ist jedoch häufig der Vorbote alternder Speicherchips; Doppelbitfehler (nicht korrigierbar) bedrohen unmittelbar die Rechenkorrektheit — Trainingsabbrüche mitten im Lauf und verschlechterte Inferenzergebnisse können damit zusammenhängen.

Für defekte Bereiche hat NVIDIA drei Rückfallebenen vorgesehen: Page Retirement (ausgelöst bei mehrfachen Einbitfehlern derselben Seite oder einem einzelnen Doppelbitfehler, der Treiber blendet die defekte Seite aus), Row Remapping (defekte Zeilen werden auf reservierte Zeilen umgeleitet, seit Ampere unterstützt, mit einem Budget von maximal 64 Vorgängen bei der A100 bzw. 512 bei der H100 — jeweils nach offizieller NVIDIA-Dokumentation); auf Chipseite kommt seit HBM3 ein integrierter On-Die-ECC hinzu (offizielle SK hynix-Mitteilung). Wie man die Messwerte der Tools liest, erklärt der Kartenprüfungs-Eintrag in dieser Bibliothek; dieser Eintrag erklärt die Mechanik dahinter.

Kennzahlen KEY NUMBERS

PositionWert / Definition
Einbit vs. DoppelbitEinbit: automatische Hardware-Korrektur · Doppelbit: erkennbar, nicht korrigierbar (offizielles NVIDIA-nvidia-smi-Handbuch)
Zwei Zähler-DefinitionenVolatil (ab Treiberladung) / akkumuliert (lebenslange Zählung) · seit Ampere nicht zurücksetzbar (NVIDIA-Handbuch)
Row-Remapping-BudgetA100 maximal 64 Vorgänge · H100 bis zu 512 (NVIDIA-Dokument „GPU Memory Error Management“)
Chipseitige VerteidigungslinieSeit HBM3 integrierter On-Die-ECC (offizielle SK hynix-Ankündigung 2021)

Bedeutung für die B300 ON B300

Die B300-Generation bringt 288 GB HBM3e pro Karte — die VRAM-Gesundheit bestimmt damit direkt die Lebensdauer des Gesamtsystems: Prüfen Sie Gebrauchtkarten zuerst über die ECC-Werte — ein nahezu nuller volatiler Zähler bei hohem akkumuliertem Zähler zeigt, dass die Karte bereits mit Vorschäden im Einsatz war; da der akkumulierte Zähler seit Ampere nicht zurücksetzbar ist, ist diese lebenslange Zählung eines der härtesten Beweismittel für Gebraucht­käufer. Karten, deren Row-Remapping-Zähler sich dem Budgetlimit nähert (H100: 512), sollten unter der Prämisse „bevorstehender Schrumpfung des Speicherpools“ bewertet werden.

Drei physikalische Prüfungen: Bei den Goldfingern (PCIe-Kontaktkante) auf Oxidation, Abnutzung und Steckspuren achten — eine durchgescheuerte, schwärzliche Vergoldung deutet auf mehrfache Besitzwechsel oder Kontaktschwierigkeiten hin; beim Kühler auf Demontagespuren, gealterte Wärmeleitpads und die Temperatur der VRAM-Seite achten (GPU-Z kann VRAM-Temperatur und Chip-Hersteller auslesen, siehe Kartenprüfungs-Eintrag) — dauerhafte VRAM-Hitze ist der Hauptauslöser für die Akkumulation von Einbitfehlern; beim Stresstest stets VRAM-Temperatur und ECC-Zuwachs gemeinsam im Blick behalten.

Grenzen und Hinweise LIMITS

  • ECC verdeckt Probleme und legt sie zugleich offen: Korrigierbare Fehler unterbrechen die Berechnung nicht — eine Last kann lange mit Vorschäden laufen, ohne dass es auffällt; doch ECC sichert nur die Datenkorrektheit des VRAM und behebt keine Leistungsverluste — ausgemusterte Seiten und Remappings verkleinern die nutzbare Kapazität. Saubere Messwerte bedeuten also nicht, dass es keinen Leistungsverlust gibt; ergänzend sind VRAM-Bandbreiten- und Durchsatz-Stresstests erforderlich.
  • Auch die Interpretation hat Grenzen: Die Sichtprüfung von Goldfingern und Kühler deckt nur Umlaufspuren auf — Schäden im Chipinneren lassen sich erst durch langandauernde Volllast-Stresstests hervortreiben; kurze Zeit saubere Messwerte bedeuten nicht langfristige Stabilität. Ermüdungsbrüche an Lötstellen und Defekte im TSV-Stack liegen ohnehin außerhalb des Sichtbereichs softwareseitiger Messwerte — bei Transaktionen mit hohem Volumen bleibt eine prüfende Begutachtung auf Dismantling-Ebene durch Dritte als Absicherung unerlässlich.

Quellen REFERENCES

  1. NVIDIA-Website – Blackwell Ultra / HGX B300 Produktseite https://www.nvidia.com/en-us/data-center/hgx/
  2. Markt- und Umlaufdaten: AIXX Börse (Marktband dieser Datenbank)
Versionen und Korrekturen |Dieser Eintrag wird von der AIXX Pedia-Redaktion gepflegt, mit KI-Unterstützung erstellt und manuell geprüft. Aktualisiert am 30.10.2026 · Version v1.0 · Alle früheren Änderungen sind revisionssicher dokumentiert.
Datenbank
RedaktionsrichtlinienInteressenmeldung zu dieser DatenbankKorrekturkanal
Auszug aus der Redaktionsverfassung
Jede Aussage mit QuelleSchwächen immer benannt · Korrekturen öffentlich dokumentiertKeine bezahlten EinträgeKeine Werbung oder Verkaufselemente in EinträgenMarktdaten ausschließlich als Datenmodul eingebunden
AIXX-Familie
AIXX CloudAIXX BörseAIXX MarktdatenAIXX News
Marktüberblick: AIXX Börse · © 2026 AIXX Pedia · Ein Angebot von AIXX