直接回答
GPU 集群租赁怎么验收？网络、存储、健康检查与故障替换清单
GPU 集群交付时至少要验收 GPU 型号和数量、健康状态与拓扑、跨卡和跨机通信、共享存储读写、容器与驱动兼容、代表性任务稳定性、监控日志、故障替换和计费起止。只看到 nvidia-smi 正常，不能证明训练或推理集群可用。
可核验判断
先把产品事实和采购建议分开
01
NVIDIA DCGM 用于数据中心 GPU 的管理与健康监控，适合作为交付健康检查的一部分。
02
NVIDIA NCCL 提供多 GPU 与多节点通信能力；多机任务需要检查实际通信路径与性能。
03
企业验收还必须加入自身数据、容器、检查点、吞吐和恢复流程，这属于任务级验证。
询价与决策表
GPU 集群交付的八项检查
层级检查内容保留证据
GPU型号、数量、显存、健康、错误与温度配置清单和健康报告
拓扑GPU、CPU、NUMA 与互联关系拓扑输出和节点编号
网络单机多卡与跨机 NCCL 通信测试命令、带宽、延迟和失败记录
存储数据集读取、检查点写入和共享路径真实文件读写结果
软件驱动、CUDA、容器与框架版本镜像摘要和环境清单
任务代表性训练或推理连续运行日志、吞吐、利用率和完成时间
运维监控、告警、重启、替换和支持响应责任人和服务等级
计费起止时间、停机扣除、存储与流量合同、账单和异常处理口径
执行流程
从需求到短测，再到正式租赁
- 01 · 冻结配置
把型号、数量、节点、网络、存储和软件写入交付清单。
- 02 · 基础健康
检查驱动、GPU 健康、错误、温度和拓扑。
- 03 · 通信存储
运行单机/多机通信和真实数据读写测试。
- 04 · 代表任务
用客户自己的容器和样本连续运行。
- 05 · 签收与运营
记录结果、例外、计费起点、故障联系人和替换条件。
边界
这些信息不能靠营销话术省略
- 不同任务对通信、存储和稳定性的门槛不同，应先定义通过线。
- 合成测试通过不等于真实任务一定稳定。
- 验收记录应由供需双方确认，不能只保留口头承诺。
一级来源