AIXX Pedia › Concepto técnico › Salud de la memoria de vídeo y diagnóstico de fallos
La VRAM es el componente que más trabaja a destajo en la GPU y el más temeroso del calor: la primera lección para evaluar su salud es el mecanismo ECC (código de corrección de errores). Según el manual oficial de NVIDIA: «los errores de un bit son corregidos automáticamente por el hardware sin corromper datos; los errores de dos bits son detectables pero no corregibles». Los errores de un bit (corregibles) son imperceptibles en las fases iniciales de degradación, pero un contador que crece de forma sostenida suele ser el presagio del envejecimiento de los chips de memoria; los errores de dos bits (no corregibles) comprometen directamente la corrección del cálculo: errores a mitad del entrenamiento o degradación de los resultados de inferencia pueden estar relacionados con ellos.
NVIDIA dispone de tres capas de mitigación para las celdas dañadas: retiro de páginas (se activa con varios errores de un bit en la misma página o un error de dos bits, y el controlador oculta la página defectuosa); remapeo de filas (la fila defectuosa se redirige a filas reservadas, soportado desde Ampere, con un presupuesto máximo de 64 remapeos en la A100 y 512 en la H100, según la documentación oficial de NVIDIA); por su parte, desde HBM3 los propios chips incorporan ECC en el dado (anuncio oficial de SK hynix). Cómo leer las mediciones se explica en la ficha de guía de verificación de tarjetas de esta biblioteca; aquí explicamos la mecánica detrás de las cifras.
| Concepto | Valor / criterio |
|---|---|
| Un bit vs. dos bits | Errores de un bit corregidos por hardware · errores de dos bits detectables pero no corregibles (manual oficial de nvidia-smi de NVIDIA) |
| Dos conteos de errores | Volátil (desde la carga del controlador) / acumulado (durante toda la vida) · desde Ampere el acumulado no puede ponerse a cero (manual de NVIDIA) |
| Presupuesto de remapeo de filas | A100: máximo 64 · H100: hasta 512 (documento NVIDIA GPU Memory Error Management) |
| Defensa a nivel de chip | ECC integrado en el dado desde HBM3 (anuncio oficial de SK hynix de 2021) |
Con 288 GB de HBM3e por tarjeta en esta generación de la B300, la salud de la VRAM determina directamente la vida útil del equipo: al verificar una tarjeta usada, lee primero el ECC: si el conteo volátil está cerca de cero pero el acumulado es alto, la tarjeta ha trabajado con defectos; y como desde Ampere el acumulado no puede ponerse a cero, ese conteo de por vida es una de las pruebas más sólidas para el comprador de segunda mano. Una tarjeta cuyo número de remapeos de fila se acerque al límite del presupuesto (512 en la H100) debe valorarse como «con la piscina de memoria a punto de reducirse».
Inspección física en tres puntos: los dedos de oro (contactos del borde PCIe) deben revisarse por oxidación, desgaste y huellas de inserción — un recubrimiento ennegrecido o desgastado indica múltiples traspasos o riesgo de mal contacto; el disipador debe revisarse por huellas de desmontaje, envejecimiento de las almohadillas térmicas y temperatura del lado de la VRAM (GPU-Z puede leer la temperatura de la VRAM y el fabricante de los chips, véase la ficha de guía de verificación) — el calor sostenido prolongado es la primera causa de acumulación de errores de un bit, así que durante la prueba de estrés hay que vigilar a la vez la temperatura de la VRAM y los incrementos del ECC.