现场是这样的。8 卡 A100 服务器跑 7B 推理，连续压测 20 分钟后 GPU 温度到 86 度，SM clock 从 1410MHz 掉到 1050MHz，P99 从 900 毫秒涨到 1.9 秒，风扇已经 100%，机房进风 38 度。
中间走过弯路，把「相邻卡之间没有挡板，热风回流」当成主因，改完现象没变。
把日志和配置对完，能解释这个现象的基本就这几处。机箱进风温度太高，风道被线缆挡住；功耗墙设成 400W，温度墙先触发；风扇曲线是默认策略，降频前没有提前拉满。
先看每张卡的温度和当前时钟
nvidia-smi --query-gpu=index,temperature.gpu,clocks.sm,clocks_throttle_reasons.active --format=csv然后把功耗墙下调一档观察温度与延迟
nvidia-smi -i 0 -pl 300随后确认风扇策略和进风温度
nvidia-smi -q -d TEMPERATURE,FAN | grep -E 'GPU Current Temp|Fan Speed|Inlet'整理风道后复跑同一压测
python bench.py --model qwen2-7b --concurrency 32 --duration 1200同事提醒我看一下最近一次发布，时间点确实对得上。
恢复的判定其实很直接。满载温度稳定在 75 度以下，SM clock 保持 1410MHz，P99 回到 1 秒以内，throttle reasons 里不再出现 SW Thermal。
温度墙比功耗墙优先，机房进风 38 度时再怎么调风扇也没用；先解决风道和进风，再谈降功耗，否则降频会一直复现。如果同一现象隔几天又出现，说明根因没找到，别当偶发处理。