PowerEdge：R760xa — 带桥接的 NVIDIA H100NVL上的 NVLInk 处于非活动状态并且 DCGMI 出现故障

DCGMI 诊断程序报告故障，因为与 NVLink 桥接配合使用时，NVIDIA H100NVL GPU 上的 NVlink 链路断开。

即使在重新拔插或更换两个 GPU、连接两个 GPU 的所有三个 NVlink 桥以及安装它们的转接卡后，问题仍然存在。在 18 个 NVlink 中（每个 NVlink 桥接器 6 个），18 个链路中只有 12 个处于正常运行状态。

每个 NVlink 桥接设备上的最后两个链路始终处于非活动状态。

H100 硅片有 18 个 NvLink 连接，每组 6 个，但在 H100 NVL PCIE GPU 上，18 个路径中只有 12 个处于启动状态且正常工作，其余路径处于待机状态。

如果 NVlink 桥中的前四个链路碰巧出现问题，则两个“非活动”链路用于故障切换。H100 PCIE GPU 需要 12 个活动链路才能启动。

如果出现坏链路（GPU 和/或桥接），仍需要三段桥接器来实现故障切换。

由于 DCGM 版本 3.1.3.1 及更低版本中的问题，非活动 NVLink 报告为故障。

请勿因此问题更换任何硬件。

DCGM 版本 3.1.6 修复了问题。

https://docs.NVIDIA.com/datacenter/dcgm/latest/release-notes/changelog.html

客户必须下载并安装 3.1.6 或更高版本才能解决此问题。