标签：dcgm

2026-07-12andy阅读(26)

为什么大模型生产环境需要专业的GPU监控？ 在AI基础设施（AI Infra）的日常运维中，GPU监控与可观测性往往是最容易被忽视的一环。很多团队在部署大模型推理服务时，只关注模型的推理延迟和吞吐量，却忽略了GPU本身的健康状态、功耗曲线、...

2025-11-11andy阅读(1061)评论(0)

在构建和维护大规模AI基础设施时，GPU的稳定性和可靠性至关重要。GPU硬件故障，尤其是静默的内存错误（ECC errors）或过热导致的降频，可能导致模型训练结果不一致甚至系统崩溃。NVIDIA Data Center GPU Manag...