AIXX Pedia › Conceito técnico › Saúde da memória de vídeo e diagnóstico de falhas
A VRAM é o componente que mais trabalha na GPU — e o mais sensível ao calor. Para interpretar a saúde da VRAM, a primeira lição é o mecanismo de ECC (código de correção de erros). Segundo o manual oficial da NVIDIA: «erros de bit único são corrigidos automaticamente pelo hardware, sem corromper dados; erros de dois bits são detectáveis, mas não corrigíveis» — erros de bit único (corrigíveis) são imperceptíveis no início da degradação, mas uma contagem em escalada contínua costuma ser o prenúncio do envelhecimento dos chips; erros de dois bits (não corrigíveis) ameaçam diretamente a correção dos cálculos — falhas no meio do treinamento e degradação dos resultados de inferência podem estar relacionadas a eles.
A NVIDIA mantém três camadas de contingência para células defeituosas: aposentadoria de página (acionada por múltiplos erros de bit único na mesma página ou um único erro de dois bits, com o driver ocultando a página ruim), remapeamento de linha (linhas defeituosas redirecionadas para linhas reservadas, suportado desde a Ampere, com orçamento de até 64 remapeamentos na A100 e 512 na H100 — ambos segundo a documentação oficial da NVIDIA); do lado dos chips, o HBM3 passou a integrar ECC on-chip (anúncio oficial da SK hynix). Como ler os dados das ferramentas está no verbete do guia de inspeção de placas desta biblioteca; este verbete explica o mecanismo por trás dos números.
| Item | Valores / critério |
|---|---|
| Bit único vs. dois bits | Bit único corrigido automaticamente em hardware · dois bits detectáveis, mas não corrigíveis (manual oficial do nvidia-smi da NVIDIA) |
| Duas versões dos contadores | Volátil (desde o carregamento do driver) / acumulado (contagem vitalícia) · desde a Ampere, o acumulado não pode ser zerado (manual da NVIDIA) |
| Orçamento de remapeamento de linha | A100 até 64 vezes · H100 até 512 vezes (documento NVIDIA GPU Memory Error Management) |
| Defesa do lado dos chips | ECC on-chip integrado desde o HBM3 (anúncio oficial da SK hynix, 2021) |
Nesta geração, a B300 traz 288 GB de HBM3e por placa, e a saúde da VRAM determina diretamente a vida útil do equipamento: ao inspecionar uma placa usada, leia primeiro o ECC — contagem volátil próxima de zero com acumulado elevado indica que a placa operou com problemas; como o acumulado não pode ser zerado desde a Ampere, essa contagem vitalícia é uma das evidências mais sólidas para o comprador de usadas. Uma placa com remapeamentos de linha próximos do limite do orçamento (512 na H100) deve ter seu valor residual avaliado como «pool de VRAM prestes a encolher».
Três verificações no plano físico: nos contatos dourados (bordas do PCIe), observar oxidação, desgaste e marcas de inserção — revestimento escurecido ou desgastado indica múltiplas revendas ou risco de mau contato; no dissipador, verificar marcas de desmontagem, envelhecimento das pastas térmicas e a temperatura do lado da VRAM (o GPU-Z lê a temperatura e o fabricante dos chips — ver verbete do guia de inspeção) — calor prolongado na VRAM é a principal causa do acúmulo de erros de bit único; durante o teste de estresse, monitore a temperatura da VRAM e os incrementos de ECC em conjunto.