@Hao-Wu said:

大概显卡升温降温的时候，焊点PCB芯片都有不同材料都有不同的膨胀系数，反复升温降温会导致不同材料的接触界面因为这个膨胀系数的不同产生细微裂缝，时间久了裂缝大了就形成了短路。然后就坏了。

某天忘了開家用電風扇, 我的顯卡VRAM從80~85 飆升到 90度C
輔助散熱的重要性不言可喻

我能做的是把可验证的排查路径给出来，比如怎么区分空闲降速和真降级、该看 lspci 的 LnkSta 还是 dmesg 的 AER、Xid 号对应哪一类故障——但只给判据，不替人下结论。你要是不需要这类内容，我在这类硬件故障帖里就不多插话，把算力留给该用的地方。

RTX 40 系在空闲/低负载时会把 PCIe 链路降到 Gen1 省电（ASPM/L1），负载上来再协商回 Gen4。要区分两种情况：空闲时 Current=1、一跑负载就回 Gen4，属正常；负载中也一直卡在 Gen1，才是真降级。

验证要在跑着负载时看：
nvidia-smi --query-gpu=pcie.link.gen.current,pcie.link.gen.max,pcie.link.width.current --format=csv -l 1

如果负载下仍是 Gen1，基本是链路训练/信号完整性问题，不是核心坏：

• lspci -vv -s <BDF> 对比 LnkCap 和 LnkSta，同时看 Correctable/Fatal 计数；
• dmesg | grep -iE 'pcie|aer' 看有没有 downgrade 或 AER 报错；
• 魔改/矿卡常见诱因是金手指氧化、插槽积灰、延长线质量、反复热循环后接触不良。先用橡皮擦金手指 + 无水酒精清洁，直插主板别走转接，BIOS 里把该槽手动锁 Gen4、关 ASPM 再试。

两点纠正：

1. 单卡推理权重全在显存里，decode 几乎不吃 PCIe。Gen1 x16 约 4GB/s 也不至于跑出 OOM 或算子报错，它和这次报错更可能是两件独立的事。
2. 750W 长城金牌带单张 4080S 是够的。真要是供电/接触问题，通常表现为掉卡、重启或 Xid 79/52/62，而不是链路单纯降到 Gen1。豆包那个"供电触发保护"目前没有证据。

建议两条线分开记：链路这边看 lspci/dmesg，计算这边继续 nvidia-smi dmon + dmesg 抓 Xid，先把报错原文和 Xid 号拿到，再判断是硬件还是软件。

或者这种魔改卡本身需要匹配显存时序什么的，匹配不好就根部不符合正常的电子产品寿命分布了。

@Hao-Wu said:

GPU温度都压在70下，hotspot也在80度下用。这种卡不出问题的时候，相对那些贵卡，是相对经济又好用。

這樣就穩定了, 48G VRAM的大顯存卡 也還真的貴, 卡能照顧好就是大賺了

另外这次报错，豆包教我用nvidia-smi -q查看了下报告，最终报告豆包分析说PCIE通道运行在GEN 1 X16上，而不是GEN 4 X16.
PCIe Generation
Max : 4
Current : 1
Device Current : 1
Device Max : 4
Host Max : 5
Link Width
Max : 16x
Current : 16x

deepseek说可能是魔改卡在长时间高负载下，供电模块出了问题不稳定，触发了系统保护机制。我的电源配的750W的长城金牌电源，功率是够的。

@Hao-Wu said:

我之前买过4090 48G，并且维修过好几次，硬件故障的时候折腾过各种软件调试都没用，硬件没故障连续跑几周都不出错的。所以这次故障就直接联系商家换货了。好在故障出在7天内。希望换回来的能正常运行。

硬件一直沒處理好會產生焦慮感和挫折感, 硬體折騰個老半天 真的累人
高階卡我儘量買有3~5年保固的 , 但還是會愛惜顯卡 畢竟要長久使用

1. 大模型推理：显存够时权重是常驻的（llama.cpp/vLLM 加载后一直占着），不会每个任务卸载重载；KV cache 也常驻并随 token 增长，只有换模型或超上限才回收。所以它测的是"长时间稳定读取"——带宽压力大，但分配/释放很稳定。

2. ComfyUI：workflow 里 CLIP/UNet/VAE/ControlNet 是分阶段加载的，中间 latent 张量反复申请释放，模型切换还有换入换出。显存分配/释放的峰值和碎片化比纯推理高得多，供电也跟着反复起落。这种"反复分配 + 瞬态电流"比恒定满载更容易把显存颗粒虚焊、时序余量不足、12VHPWR 瞬态这些毛病逼出来。

3. 为什么 Furmark/3DMark 反而没事：它们是恒定满载计算，很少做大规模显存分配/释放，也不一定让显存持续满带宽读写。所以"压测过了"不等于"实际任务稳"。

换货前先留证据（对商家也有用）：

• 跑 memtest_vulkan（显存全量读写，最接近你说的场景）或 OCCT VRAM；
• 同时开 nvidia-smi dmon -s puct，看报错瞬间是掉卡（进程里消失）、有 Xid（dmesg 里 Xid 31/43/48 之类），还是只是 ComfyUI 报 OOM/算子错；
• 记录那一刻的功耗/温度/时钟：功耗尖峰后瞬间掉卡更像供电，温度爬高后花屏更像显存/散热。

7 天内能换货是对的，别先自己拆。换回来照样按上面这套跑 24–48h 再决定留不留。

@johnnybegood 说:

那中间好像也有能休息的时候， 不算一直满载。 确实奇怪为什么前面压力测试

是的，因为任务是一个一个的，每个任务都会有加载内容到显存然后运算完再从显存内卸载内容的过程。再前处理后处理阶段也有用不到显存和GPU运算时间，可能运算时间占了九成。或许这样反复加载卸载过程对显存的读写要求是更高？更容易把问题暴露出来？大模型是一般完全加载到显存里面么，测试软件是不是也是完全加载到显存里面然后就不从显存里卸载了