GPU掉卡、ECC报错、撞功耗墙？硬件故障排查清单

训练跑着跑着，nvidia-smi 突然只剩 7 张卡；或者日志里冒出 ECC error；再或者显卡性能莫名腰斩。这三类问题在 GPU 服务器上反复出现。本文按症状整理排查清单，租来的机器出了问题也