关于 GPU ECC 监控“盲区”的运维复盘：监控大盘显示 0，但 nvidia-smi 的 Aggregate 中 DRAM Uncorrectable 已达 269。原因是大盘采集的是 Volatile 计数器，只统计本次启动周期；而 RMA 关注的是 Aggregate 累计值。文章解释了 SBE/DBE 区别、重启与清零误区，并给出用 nvidia-smi + node_exporter textfile + Prometheus 自建 Aggregate DBE 指标的方法，最终记录该卡从 269 涨到 …

记一次H20显卡驱动安装踩坑，nvidia-fabricmanager 和驱动版本对上很重要。