TinkerLab
ARTIFACT // DIAGNOSE-SM120-AND-GFX1201.SH (SHELL)

Blackwell (`sm_120`) 与 RDNA 4 (`gfx1201`) 算子兼容性、PCIe 5.0 信号与 ROCm 诊断脚本 (diagnose-sm120-and-gfx1201.sh)

一键排查 RTX 5090/5060 Ti (`sm_120`) 报 no kernel image、PCIe 5.0 延长线 AER/Xid 79 掉卡,以及 AMD RX 9070 XT (`gfx1201`) 误设 `HSA_OVERRIDE_GFX_VERSION` 引发的崩溃。

[核心实测结论 / TL;DR]本配置包「Blackwell (`sm_120`) 与 RDNA 4 (`gfx1201`) 算子兼容性、PCIe 5.0 信号与 ROCm 诊断脚本」(文件名:diagnose-sm120-and-gfx1201.sh,格式:SHELL)是 Tinker AI 实测工坊配套指南《blackwell-sm120-no-kernel-image-and-rdna4-gfx1201-rocm-troubleshooting》的参数化生产模板。支持在本地浏览器实时定制 目标 NVIDIA 计算能力代号 (EXPECTED_SM_ARCH=12.0)、目标 AMD RDNA 4 架构代号 (EXPECTED_GFX_TARGET=gfx1201) 等 2 项核心变量,默认遵循 127.0.0.1 回环绑定与最小权限规范。
04 // DIAGNOSISAPI 与部署排障· 验证日期:2026-10-28
查看全部 42 套配置附件 →
diagnose-sm120-and-gfx1201.sh

Blackwell (`sm_120`) 与 RDNA 4 (`gfx1201`) 算子兼容性、PCIe 5.0 信号与 ROCm 诊断脚本

一键排查 RTX 5090/5060 Ti (`sm_120`) 报 no kernel image、PCIe 5.0 延长线 AER/Xid 79 掉卡,以及 AMD RX 9070 XT (`gfx1201`) 误设 `HSA_OVERRIDE_GFX_VERSION` 引发的崩溃。

查看配套实测指南 →
参数化定制变量 (Variables — 自动保存在本地浏览器)
UTF-8 编码 · 零延迟实时编译
#!/usr/bin/env bash
# Tinker AI — Blackwell (sm_120) & RDNA 4 (gfx1201) Compute Doctor (Guide #28)
set -euo pipefail

SM_TARGET="12.0"
GFX_TARGET="gfx1201"

echo "=== [1/4] NVIDIA Blackwell ($SM_TARGET) Driver & PCIe Link Audit ==="
if command -v nvidia-smi >/dev/null 2>&1; then
  nvidia-smi --query-gpu=name,driver_version,compute_cap,pcie.link.gen.current,pcie.link.gen.max,power.draw,power.limit --format=csv
else
  echo "No nvidia-smi detected; skipping NVIDIA check."
fi

echo "=== [2/4] PyTorch / CUDA sm_120 Kernel Image Verification ==="
if command -v python3 >/dev/null 2>&1; then
  python3 -c "
import sys
try:
    import torch
    arches = torch.cuda.get_arch_list()
    print('PyTorch:', torch.__version__, '| CUDA:', torch.version.cuda, '| Arches:', arches)
    if not any('12.0' in a or '120' in a for a in arches):
        print('[FAIL] PyTorch build lacks sm_120! Install CUDA 12.8 (+cu128) wheels or set TORCH_CUDA_ARCH_LIST="12.0+PTX".')
except Exception as e:
    print('Torch check skipped:', e)
"
fi

echo "=== [3/4] Kernel PCIe 5.0 AER & NVRM Xid 79 Bus Drop Audit ==="
dmesg -T 2>/dev/null | grep -iE "AER|Xid|fallen off the bus|amdgpu.*error" | tail -n 15 || echo "[OK] Zero PCIe AER or GPU Xid errors found."

echo "=== [4/4] AMD RDNA 4 ($GFX_TARGET) ROCm Override Trap Check ==="
if [ -n "${HSA_OVERRIDE_GFX_VERSION:-}" ]; then
  echo "[WARN] HSA_OVERRIDE_GFX_VERSION=$HSA_OVERRIDE_GFX_VERSION is set! On $GFX_TARGET (RDNA 4), spoofing gfx1100 causes INVALID_ISA crashes. Run: unset HSA_OVERRIDE_GFX_VERSION"
else
  echo "[OK] HSA_OVERRIDE_GFX_VERSION is not polluting the environment."
fi
PARAMETER SPECIFICATION // 参数化变量规范说明表

「diagnose-sm120-and-gfx1201.sh」可定制环境变量与默认值说明

本配置模板(SHELL 格式)支持 2 项运行时参数注入,所有替换均在本地浏览器内完成。

模板占位符参数用途说明安全默认值填写示例
{{EXPECTED_SM_ARCH}}目标 NVIDIA 计算能力代号12.012.0 (Blackwell RTX 50-series)
{{EXPECTED_GFX_TARGET}}目标 AMD RDNA 4 架构代号gfx1201gfx1201 (RX 9070 XT / 9070)
PAIRED HARDWARE MANIFEST // 配套实测环境与边界记录

配套指南《Blackwell (sm_120) 与 RDNA 4 (gfx1201) 深度排障指南:解决 no kernel image 报错、PCIe 5.0 延长线 Xid 79 掉卡与 ROCm 算子崩溃》验证基线

实测硬件与操作系统 (Hardware & OS)

NVIDIA RTX 5090 32GB / RTX 5060 Ti 16GB (`sm_120`) 与 AMD Radeon RX 9070 XT 16GB (`gfx1201`) · Ubuntu 24.04.2 LTS (Linux 6.13.5)

锁定软件栈与模型版本 (Pinned Versions)
NVIDIA Driver 570.133.07 + CUDA 12.8PyTorch 2.7.0+cu128 / vLLM 0.8.2ROCm 6.3.4 / Mesa 25.0.2 RADVllama.cpp b4910
离线与安全边界 (100% 本地终端诊断与修复)

所有内核日志审计 (`dmesg`)、`nvidia-smi` 功耗锁定与编译参数修正均在本地终端完成。

已知限制与失败边界 (Known Limits)
  • 基于旧版 CUDA 12.1–12.6 构建且剥离了 PTX 字节码的 Docker 镜像无法在 `sm_120` 上运行 FlashAttention 等自定义算子,必须升级至 CUDA 12.8 (`+cu128`) 基础镜像。
  • 非原生 PCIe 5.0 显卡延长线无法承受 32 GT/s 高频信号,在 RTX 5090/5080 满载时必然触发 AER 校验错与 `Xid 79` 掉卡,必须在 BIOS 锁定 Gen4。
DEPLOYMENT CHECKLIST // 配置落地核验步骤

部署 diagnose-sm120-and-gfx1201.sh 后的 3 步验收清单

  1. 已在目标容器内核验 `torch.cuda.get_arch_list()` 包含 `sm_120`(基于 CUDA 12.8+ 构建)。
  2. 已核查 `dmesg -T | grep -iE "AER|Xid"` 无物理层校验报错(使用延长线时已在 BIOS 锁定 PCIe Gen4)。
  3. 在 AMD RX 9070 XT (`gfx1201`) 主机上已确认清空了 `HSA_OVERRIDE_GFX_VERSION` 环境变量。