GPU服务器上架验收：供电、散热、功耗限制与稳定性测试

适用目标

避免服务器到货后因机柜供电、风道或温度问题无法持续满载。本文面向已经能够使用Linux命令行、但需要把环境做成可重复交付的工程人员。操作前先备份现有配置，并记录硬件型号、系统内核和当前软件版本。

准备工作

确认机柜功率、PDU接口、输入电压、前后风道和环境温度。建议建立独立测试目录和变更记录，所有命令、镜像标签、配置文件与测试结果都写入同一份实施日志。生产机器不要边排错边无记录升级。

实施步骤

核对铭牌与电源冗余。

检查GPU连接器和线缆。

读取空闲功耗。

逐卡满载再整机满载。

记录GPU温度、热点、风扇、降频与PDU功率。

断开单路电源验证冗余。每完成一步立即保存输出，出现异常时只回退最近一项变更。

常见误区

家用插座和普通PDU不适合高功率服务器。

短时间跑分不能替代持续热稳测试。

功耗墙会造成性能波动。如果现象与预期不符，应缩小到最小复现环境，不要直接在完整业务栈中猜测原因。

验证与验收

连续满载无降频和掉卡，温度处于厂商范围，双电源切换正常，监控能捕获功耗和告警。除一次性功能验证外，至少重复三次并进行重启复测。性能类任务必须固定输入、输出和并发口径，同时记录P50、P95和失败率。

交付清单

交付物应包含版本清单、配置文件、启动与停止命令、监控入口、已知限制、故障处理步骤和回滚方法。只有其他工程师能够依据文档重新完成部署，教程才算真正可执行。

可复现实施记录

本节把“GPU服务器上架验收：供电、散热、功耗限制与稳定性测试”落到可以复核的操作边界。测试对象是GPU 服务器供电散热验收。实施前先冻结硬件清单、系统镜像、依赖版本、模型版本和业务参数，并给每次验证分配独立记录编号。核对整机额定功率、双路供电冗余、PDU 支路容量、机柜进出风方向和环境温湿度；烧机前记录空载基线。

验收数据怎么记录

不要只记录一次成功截图。冷启动和预热后各运行三轮，表格至少包含测试时间、并发数、输入长度、输出长度、首 Token 延迟、P50/P95 总延迟、吞吐、CPU、内存、GPU 显存、GPU 利用率、错误码与日志位置。连续满载至少两小时，采集 GPU 温度、热点温度、功耗、降频原因和风扇转速；任何掉卡、Xid、支路过载或持续热降频都不能通过验收。

变更与回退

上线时保留上一版镜像、配置和模型版本，先让少量真实请求进入新实例。若 P95 延迟上升超过 20%、连续错误率超过 1% 或出现无法解释的结果偏差，立即停止扩容新版本并切回旧实例。回退后仍需保存失败现场，不能用重启覆盖日志。文中的参数是复现起点，最终阈值应由实际业务请求和硬件测量结果确定。