算力租赁平台长跑稳定性：Xid 报错、ECC 与训练中断的排查路径

一次60小时后中断的72小时训练任务，直接成本接近2.8万元。本文按Xid编号给出处置分级，说明ECC在HBM与GDDR两种显存上的不同代价，并提供从记录现象到隔离卡位的固定排查路径。