部署与验收

GPU、网卡和交换机固件是否应该全部升级到最新版？

不应只以最新为目标。应选择经过服务器和业务验证的兼容基线，明确依赖、升级原因、回滚路径，并先在同配置节点完成回归。

RoCE 网络开启 PFC 后是否就能保证无丢包和稳定性能？

不能。还需要一致的优先级映射、ECN、主机拥塞控制、缓冲、MTU、路由和容量设计，并通过多对一和混合流量验证暂停不会扩散。

交换机和网卡端口都是 Up，为什么 NCCL 性能仍可能很低？

端口 Up 不覆盖 PCIe 降速、NUMA 跨越、误码、RDMA 接口选择、拥塞热点、容器映射和 GPU/NIC 绑定，需要按物理、RDMA、并发和 NCCL 分层检查。

采购 NVIDIA Spectrum 交换机后，是否就构成 Spectrum-X 平台？

不能这样判断。Spectrum-X 强调交换系统、以太网 SuperNIC 和软件配置的端到端协同。项目仍需按目标架构核对服务器、网卡、交换机、RoCE 参数、遥测和业务验收。

高速端口一直 Up，但 FEC 可纠正错误持续增长，需要处理吗？

需要结合增长速度、负载、温度和设备阈值评估。持续或加速增长说明物理链路余量可能不足，应保存证据并按配置、介质、端口和环境分层排查。

光模块 DOM 收发功率没有告警就代表链路余量充足吗？

不代表。还要结合链路预算、距离、连接损耗、温度、通道差异和长期趋势判断；靠近阈值的链路可能在高温或端面轻微污染后失稳。

交换机能够自动发现邻居后，线缆两端还需要物理标签吗？

需要。自动发现可能不覆盖分拆、离线设备、错误故障域和物料 OPN；物理标签与端口表共同支持断电维护、换线和资产追溯。

Cumulus Linux 升级前只备份配置文件是否足够？

不够。还要保存端口、模块、路由、ECMP、QoS、管理和业务基线，并验证备份能在设备异常时恢复。

AI 网络长稳测试持续 24 小时就一定足够吗？

不一定。时长要结合热稳定、错误增长和业务周期，关键是覆盖目标负载、全部链路、并发竞争、监控与恢复，并预先定义通过条件。

AI 网络端口有双上联并且路由正常，就可以不做故障注入吗？

不可以。仍需验证链路或设备失效后的实际容量、收敛、业务行为和恢复，确认没有共享故障点、配置不对称或性能残留问题。