2026-10-24 赛博日记

生成时间：2026-10-24 23:50 (Asia/Shanghai)

核心工作

🖥️ Hermes 本机事项（双 CMP 170HX vLLM 服务）

今天的主线全部围绕弱卡 GPU1 的稳定化治理，从归因到手术再到验证，闭环完整。

1. GPU1 掉卡最终归因与「毒尾切除」手术

• 昨晚 GPU1 掉卡实锤归因：HBM 内存子系统真错误（TLB invalidation failed）→ GSP 75s 无响应（Xid 175）→ 死锁只能重启。破解卡「最后几 MB 毒区」假说被排除（驱动已含 PR #32 修复 + #31 scrub 补丁）。
• 硬核修复：0019 毒尾切除——通过 OverrideFbSize 把每卡最后 512 MiB 从可分配堆切掉，heapMax 钳在 65024 MiB 边界。效果：GPU1 余量从 44 MiB（98.9% 占用）变成 6.4 GB 深壑。
• 配套：gpu_memory_utilization 0.93 + PP 首尾卡换序（CUDA_VISIBLE_DEVICES=1,0），让弱卡 GPU1 当轻载首卡（~85%）、健康 GPU0 扛重载尾卡（MTP 草稿 6 步 + lm_head + 尾层）。重启后显存格局翻转验证生效。
• 复盘发现 Xid 175 两周两发（10-23、10-24，后者发生在关机流程中），病灶非偶发。ECC 计数器重启归零后从此有真值意义——毒尾切除后若 DRAM Correctable 再涨，说明错误在健康区，性质升级。建议保持 GPU1 的 boost 解禁门槛。

2. boost 档 A/B 测试二次实锤「必炸」

• 三档测速（safe/boost/free）跑 A 档正常（prefill 80K=5909 / 140K=8761 / 200K=9726 t/s），切 B/boost（1650+offset）第一个请求就崩：TTFT 飙 301s、prefill 只剩 265 t/s，3 分钟后 GPU1 NV_ERR_RESET_REQUIRED，vLLM 崩溃。free 档未测（链安全中止）。
• 结论：boost 语义两次实测两崩，后续 A/B 只做 safe vs free。事故固化进 power-tuning skill 坑 13。

3. 启动脚本被写烂导致的「开机闪死」修复

• 症状：早上开机无法进系统。取证：昨晚另一会话给启动器加 tool-params overrides 时把启动脚本第 25 行写崩（五段重复碎片粘着），bash -n 不报错但运行期 status=2 闪死。已重建该行 + 干跑验证。教训沉淀进 flashnext skill 红线 1b。
• 关机时 GPU1 再次 Xid 175 → 整机冻死 hung task，强制断电重开后正常（本次 boot 0 Xid）。
• 顺手清理磁盘：根分区 121G→118G，回收 3.2G（/var/crash 两个 1GB vLLM core 转储、journal 收敛 200M/7天、apt clean）。刻意保留 vllm 编译缓存、whisper/hyperframes 模型资产。

4. context_length 510K 固化

• 发现 :8900 归位按钮走的 restore 路径会把 flashnext 上下文钉回 307.2K。改 gpu-model-plan.sh 第 243 行 307200→510000 + 当前 config 活值同步，并排查确认 switch-main-model.py / switch-global-model.sh 均不碰该字段。生效时序：下次 gateway 重启或点归位即对齐。

5. mclk 语义答疑

• 从破解烧死的 1890 降回原厂 1728：降的是显存频率（带宽），不是算力；SM 频率不受影响。

🎬 B 站产线：标题/封面策略迭代

• 对照 B 站热门实测（抓 20 条 38w~700w 播放，OCR 前 14 条封面大字）：封面大字绝不照抄标题，普遍砍到 ≤10 字钩子词；标题靠具体数字撑可信度。
• 据此改了 hltb 产线 gen_script.py：标题目标 18~28 字、钩子前置前 14 字、禁系列名开头、问句或断言二选一；hook_q 收紧 ≤12 字并放开陈述式。代码层 norm_title() 机械兜底：系列名挪尾保完整、超长只裁正文、LLM 漏写自动补。回归实测 7 例全过，当晚 22:05 cron 产 E09 起自动生效，备份可一键回滚。
• 另：DeepInfer 零开销调度视频分析结论——机制上 vLLM async scheduling 已启用，无新增可借鉴项；选题撞车区不建议进。

📱 GPU 工作台手机端适配

• gpu-console/static/index.html 纯前端 CSS 修复：4 列卡片区单列堆叠、header 换行、配音 tab 横向滚动 2272px 归零、参数弹窗上下堆叠、iOS 输入 16px 防放大。Playwright 390×844 实测三页签 + 5 个素材子页签 + 弹窗逐元素扫描，零越界。后端热读 index.html 无需重启。

🧠 记忆系统维护（Hermes）

• 记忆爆仓治理：查证 0.19 运行时 PyInstaller 打包无 limit 配置项，扩容不可行。第三轮「条目→指针」无损压缩：6 块长条目全文迁入对应技能卡（GPU 掉卡事故档、vLLM 历史档位、内核验收细节、代理链拓扑、出图三规则、在架快照），MEMORY 99%→89%（剩余 231 字符），USER 保持 97%（其长条目是每轮必生效指令，不迁）。
• 技能卡去重：TTS 杂音三卡合并为定案卡 tts-audio-artifact-forensics，182→180 张。全量备份可回滚。
• flashnext skill 新增「MTP↔前缀缓存互斥」专节：WARNING 出处（kv_cache_utils.py:2166）、双态实证（96.8% vs 0.0%）、85K A/B 数据。生产态 MTP6 + rep_penalty 1.05 + maxlen 524288 冒烟通过。

🏠 其他

• 关机请求两次均走 safe-shutdown 门禁：第一次因未回复确认码自动撤销，第二次确认后执行。期间机器有一次重启恢复。
• 待收尾清单盘点：Todoist 4 条旧待办、《破绽之眼》E02 S2V 续跑（停在 seg4-2）、E03 剧本终稿确认、封面终选。自动项（设备哨兵/日更/trending）全部静默正常。

思考与备忘

• GPU1 的长期风险：Xid 175 两周两发在加重，毒尾切除只是减面不是根治。近期应把 GPU1 上重要模型权重同步到 /mnt/nvme1（剩 477G）；彻底治得走售后/换卡。
• 观察期协议：哨兵盯 Xid；ECC 计数器从此有真值意义，DRAM Correctable 再涨 = 错误进入健康区，性质升级。
• 产线铁律再验证：确定性处理交给代码兜底而非 LLM 重试（norm_title 的系列名截断坑）；bash -n 查不出 [ “$X” = "" ] 后粘碎片的运行期错误，关键脚本改动必须干跑。

今日摘要

主线是弱卡治理收官：毒尾切除 + util 0.93 + PP 换序三件套落地，GPU1 从 44 MiB 余量的悬崖边拉回 6.4 GB 深壑，重启后全绿；boost 档二次实锤必炸后封禁；开机闪死脚本修复 + 3.2G 磁盘回收。支线上 B 站标题/封面策略按热门实测数据完成迭代并当晚生效，GPU 工作台手机端适配零越界收工，Hermes 记忆爆仓完成第三轮无损压缩。

📊 自动化统计

• 捕获 Memory 数：0（memory/2026-10-24.md、memory/claude_2026-10-24.md 均不存在）
• 笔记更新数：0（note-gen-sync 24h 内无其他 .md 变更）
• Todoist 完成任务数：无法查询（Todoist 工具本环境不可用）
• Claude Code 会话数：0（无当日 claude 记录文件）
• Hermes 本机活跃会话数：10（144+100+82+78+74+56+26+8 条消息等）