文章目录GPU 运维高频面试题详解 · 故障排查与换卡维修专题目录第一部分 · 换卡维修专题（核心）Q1｜什么情况下你决定给一张 GPU 判废、走换卡流程？参考答法（分四步说，逻辑不能乱）判废阈值对照表（面试可直接背）延伸追问Q2｜请完整讲一遍换卡的流程。完整 SOP（十步）延伸追问Q3｜换卡时怎么确定拔的是正确的那张卡？参考答法Q4｜PCIe 卡和 SXM 卡换起来有什么区别？Q5｜Xid 错误码怎么分类？分别怎么处置？Xid 三大类（先分类，再处置）两个必考细节延伸追问Q6｜什么是 Pending Page Blacklist？为什么它是个坑？参考答法Ampere 前后两套机制的对比（必背）Q7｜换下来的卡就直接扔了吗？RMA 流程是什么？参考答法第二部分 · 故障排查类Q8｜一个节点的 8 张卡少了 1 张，排查顺序？Q9｜显存 OOM 但 `nvidia-smi` 显示显存没满，怎么回事？Q10｜训练任务 hang 住不报错，怎么定位？Q11｜温度告警与降频怎么处理？第三部分 · 驱动与 CUDA 软件栈Q12｜驱动、CUDA、cuDNN、框架的版本关系？Q13｜`Failed to initialize NVML: Driver/library version mismatch` 怎么处理？Q14｜nvidia-fabricmanager 是干什么的？不装会怎样？Q15｜驱动升级怎么做灰度？第四部分 · 容器与调度Q16｜容器怎么拿到 GPU？两种方式区别？Q17｜一张 A100 想同时给 7 个人用，有哪些方案？Q18｜怎么保证一个 8 卡训练任务的 Pod 落在同一个 NVSwitch 域？第五部分 · 网络与 NCCLQ19｜NCCL 怎么决定走 NVLink 还是 InfiniBand？Q20｜训练间歇性变慢，IB 那边你查什么？Q21｜RoCE 为什么要配 PFC？不配会怎样？第六部分 · 训练与推理服务Q22｜多机训练吞吐远低于单机 ×N，可能有哪些原因？Q23｜Checkpoint 怎么设计才不成为瓶颈？Q24｜vLLM 部署后 P99 抖动大，怎么排查？第七部分 · 综合场景压轴题Q25｜场景题：凌晨 2 点，值班收到告警——某训练节点报 Xid 48，你的完整处置链路？附录 A · 面试官评分点附录 B · 命令速查资料来源GPU 运维高频面试题详解 · 故障排查与换卡维修专题编写时间：2026-09-28配套文档：《GPU运维能力图谱与学习路线-2027.md》说明：本文所有阈值、命令、流程均标注来源口径。以 NVIDIA 官方 Xid 文档与厂商 RMA 政策为最终依据，云厂商/实践口径仅作参考。目录第一部分 · 换卡维修专题（核心）第二部分 · 故障排查类第三部分 · 驱动与 CUDA 软件栈