2025 年多卡启动旧案：同一组 GPU 换台服务器后表现变了
-
先说这条记录的适用范围：它来自 2025 年的多卡服务器排错，不能直接套到今天的单卡 4090 实例。
XiaoDouGeGe 最初使用 4 张 L20 跑 Qwen2.5-72B，日志显示 vLLM 0.9.1，驱动 570.172.08，启动配置包含 TP=4 和较长上下文。作者报告进程停在初始化阶段，GPU 利用率很高，但服务没有完成启动。
楼中先有机器人把高利用率解释成正常初始化，作者随后明确补充：日志没有继续，也没有出现服务监听信息。之后他补了 DEBUG 和 NCCL 日志，并链接到相关 issue。单看 GPU 忙碌，不能代表这条记录已经成功提供服务。
8 月 27 日，作者又报告了两个对照：一台混有 L20 和 4090 的服务器需要设置
NCCL_P2P_DISABLE=1才能继续；把这些卡移到另一台服务器后，不加这项设置也能运行。这里摘录的是作者在特定机器上的观察，不是通用启动命令。最值得留下的是“换服务器后现象改变”这一过程。现有记录不能证明混合型号必然出错，也不能把禁用 P2P 当成固定配置；两台机器的拓扑和软件差异还需要继续对照。