DCGM 诊断怎么用于验收：先建立节点健康基线 NEWS DETAIL

DCGM 诊断适合作为 GPU 节点到货、维修和变更后的标准健康检查，但不能单独代表业务验收。它应在明确驱动、固件、温度和空闲条件下运行，结果与节点资产绑定，再由代表性训练或推理负载验证数据路径和长时间稳定性。

适用条件与判断边界

适用于支持 DCGM 的数据中心 GPU 节点。运行前要确认目标 DCGM 与驱动组合、诊断级别、所需权限和是否会占用 GPU。生产共享节点必须先排空作业，避免诊断与业务相互干扰。虚拟化、MIG 或容器环境还需确认诊断从宿主还是实例执行。

实施与选型方法

先采集 GPU 序列标识、驱动、固件、温度、功耗、PCIe 和错误计数，清理未知告警后运行分级诊断。对失败项保存完整日志，不重复运行到偶然通过。随后执行显存占用、计算、主机到 GPU、GPU 间通信和目标业务测试，并在机房正常进风与整机功耗条件下保持足够时长。

主要风险与控制方式

诊断可能因后台任务、温度、权限或环境噪声失败，也可能未覆盖业务使用的网络、存储和框架路径。只保存最终 PASS 会丢失间歇性证据；批量同时运行又可能改变电力与散热条件。失败节点应隔离调查，不用降低测试级别来获得通过。

如何核验结果

1. 确认诊断前 GPU 空闲、版本和环境受控，并把原始输出绑定到节点资产与时间。
2. 对失败项复核 Xid、系统日志、温度、PCIe 与硬件状态，修复后按同一条件复测。
3. 运行代表性业务和长时间稳定性测试，比较性能分布、错误增量和恢复行为。

下一步行动

把 DCGM 诊断级别、业务测试和通过条件写入验收模板，并保留黄金节点结果作为比较基线。任何驱动、固件、硬件维修或节点迁移后重新执行同一套检查。

核对具体版本与功能边界时，可查看NVIDIA DCGM 用户指南、NVIDIA DCGM 功能概览，并以目标版本页面为准。