CMP 170HX 解锁边界：三代勘误全案（熔丝分类器 + hbmmon + 电压毛刺）

日期：2026-11-12 ｜ 平台：双 CMP 170HX 8GB SKU（GA100，均已 cmpunlocker 软解 64GB 运行中） 工具链：arca.live 只读熔丝分类器（~/bin/check_cmp170hx_readonly.py）、matstatman/hbmmon（I1500 活体拓扑） 路线定案：不折腾硬件——本轮全部为只读/受控诊断，生产 vLLM 全程无感。

一图流终版账本

维度出厂态软解态（cmpunlocker，现役）熔丝位图理论顶电压毛刺实改顶
显存8 GB64 GB（已到软件顶）64 GB 软件顶不破80 GB（复活 E 堆；96 无实锤）
SM7474卡0=122 / 卡1=110（FF 位图推算）120–128（实测，抽体质）
PCIeGen1Gen2—Gen4
NVLink/MIG/NVDEC无无—可开

三代结论与两次勘误（本次核心教训）

第一代（11-11 夜，只读熔丝分类器）

  • 读 PMC_BOOT_0 确认 GA100（0x170000A1），双遍一致；两卡 8GB SKU（10de:20c2）。
  • 报"当前 42TPC=84SM、卡0 上限 132SM/80GiB、卡1 上限 114SM"。
  • 两处口径错误，次日被用户以硬件边界打回（见下）。

第二代（11-12 凌晨，hbmmon 活体拓扑 + 勘误一：SM）

  • hbmmon 经自制内核模块（写面白名单仅 I1500 INSTR/MODE）逐 FBPA 读 HBM DEVICE_ID：
    • 在用 4 堆 = 4×SK Hynix 16Gb 8-High = 64GB；卡0 堆日期码 2021-W04，卡1 2020-W53（非同批料）。
    • SM 实数 74/128（4736 CUDA，与 nvidia-smi 交叉一致）；GA100 布局 = 8 GPC × 8 TPC × 2 SM = 128 满配。
    • 勘误一：第一代按"9 TPC/GPC"（完整 die 规格）换算，凭空多 8 个 TPC → 84SM/132SM 全错。正确口径下：当前 37TPC=74SM；按缺陷位剔除后理论顶 卡0=122 / 卡1=110 SM（恒等式 128−Σ缺陷TPC×2 与逐组盘点双闭合；卡1 GPC3 连父缺陷标记=整组真死）。
    • 生产满载（60GB/卡）下可直接扫：只碰调试桥，实测哨兵 CLEAN、Xid 零新增、:8000 全程 200。

第三代（勘误二：显存"空堆"论作废）

  • 我当时把 hbmmon 的 harvested（floorswept=熔丝掩埋、被摘出 CFG1 总线）误读为"没焊颗粒"，进而"证伪 80GiB、宣布需植堆才有 96GB"——错。熔掉的堆与空堆在 DEVICE_ID 读数里同为"无应答"，两态不可区分，“读不到≠没有”。
  • 社区一手证据定案：
    • kate.land《Voltage Fault Injection on A100》（GA100VFI）：电压毛刺吹熔丝，8GB 卡实改为事实 A100-80G（64–80GB 看体质），SM 开到 120–128，NVLink/Gen4/MIG/NVDEC 全可解锁；明示 170HX 出厂带 ~80GB（8G SKU）/~40GB（10G SKU） 物理 HBM。
    • Consensus-Protocol/cmp170hx（逆向文档，hbmmon 同源圈子）：“8GB part had four more FBPs swept off"=熔丝掩埋非缺料；96GB 列 open problem（开盖六堆位、有两枚疑为 dummy，需 X 光定 bonding），软件路线 96 需 24 活FBPA，两 SKU 皆无 → 96GB 至今零实锤。
  • 讽刺点：第一代"80GiB"数字其实蒙对了（2 无缺陷被熔 FBP × 2 FBPA × 4GiB = +16GiB，与 VFI 实测顶吻合），被第二代错误"证伪”。
  • 软解机制补档：cmpunlocker 只写两个寄存器——CFG1 0x009a0204（tier 0x77=每 FBPA 4GiB）+ LMR（MMU 总容量），8G SKU 顶格=16 活FBPA×4GiB=64GiB，与活体 FBPA 数算术闭合；它不碰 FF 熔丝，故 E 堆（FBP1/4）永远沉默。

方法论教训（跨线通用）

  1. 工具的标签 ≠ 物理事实，引用前先查标签的定义域（harvested=floorswept 熔丝掩埋，不是"BOM 砍料"）。
  2. 结论先过硬件边界闸门：任何"N>满配规格"的读数（132>128）第一时间就该枪毙，而不是等用户提醒。
  3. 单一观测不构成结论：DEVICE_ID 无应答有两种成因，须找能区分两态的第三证据（X 光/VFI 实绩）再定案。

行动定案

  • 现役 64GB 已在软件路终点；80GB/120+SM 的唯一门票是电压毛刺物理改卡（变砖风险+抽体质），与"不折腾硬件"路线冲突 → 搁置，钥匙留人。
  • 诊断资产留存：~/bin/check_cmp170hx_readonly.py（纯只读，可随时复跑）、hbmmon 配方见技能卡 hbmmon-cmp170hx-ops（/tmp 编译产物重启即失）。

参考

  • arca.live/b/aihomelab/186266420（只读熔丝分类器原帖）
  • github.com/matstatman/hbmmon（I1500 活体拓扑）
  • github.com/Consensus-Protocol/cmp170hx（docs/hardware/memory-subsystem.md、docs/unlock/memory-geometry.md）
  • blog.kate.land《Using voltage glitching to unlock the A100》（GA100VFI）