换硬件之前，先写验收合同

候选硬件更便宜，究竟便宜了哪一件事？

你收到一份报价，设备小时单价只有现有方案的一半。先不要把整个平台成本也除以二：同一任务能否正确执行、服务能否达标、故障后能否恢复、迁移需要多少工程时间，都还没有得到回答。本课的“资格认证”是你为自己的工作负载设计验收，不是厂商通用认证，更不是给某类硬件排名。

第 02 课说明算力、带宽和容量是不同限制，第 08 课要求先定义合格工作。换硬件时还多了一层：同一程序经过驱动、运行时、编译器、通信库和算子实现，实际执行路径可能变了。资格判断应沿功能正确、数值与任务质量、性能、恢复和成本逐层收集证据，后一层不能抵消前一层的失败。

先冻结一份能重新搭起来的组合

BOM 在这里指软硬件组成清单。记录设备型号、内存与互联、驱动/固件、运行时、框架、编译器或扩展、关键算子和通信库版本，再记录容器与模型制品哈希。训练任务还要固定优化器、数据版本和并行策略；生成服务还要固定 tokenizer、模板、精度及结束配置。哈希帮助确认内容相同，不能代替兼容性证明。

“支持这个框架”不足以回答你的问题。同一框架下某些算子、shape、精度、动态控制流或通信方式可能走不同路径。先从目标任务列实际用到的算子与张量形状，再用最小用例验证，最后回到端到端任务。编译缓存是否命中、冷启动是否重新编译也要记录，否则预热后的吞吐会掩盖发布时的等待。

Profiler 是记录执行事件、时间与资源活动的工具。比较 CPU 与设备时间线，寻找关键算子是否意外在主机运行、复制是否增加、同步是否挡住流水线；然后用端到端变化验证影响。出现 CPU 活动并不自动意味着“回退”：输入准备、控制逻辑本来就可能在 CPU。也不能靠两张固定算子的截图证明所有工作负载都已原生加速。

把功能、数值与质量写成三个不同问题

功能检查回答“输入是否合法处理，接口、shape、类型和错误分支是否符合合同”。数值检查回答“同一小用例的结果差异是否在事先规定的范围”。任务质量检查回答“这些差异是否伤害最终任务”。一个矩阵输出接近，不代表生成回答或训练收敛就合格；反过来，答案语义合格也不能掩盖越界、NaN 或协议错误。

固定权重、输入、随机设置和解码策略可以让对照更清楚，但跨设备、实现或精度不应一律承诺逐 token 或逐位相同。为生成任务预先设定任务质量量表，并独立检查结构化输出、结束原因与极端长度。训练则比较一次更新的梯度与参数，再跑固定小数据任务检查优化轨迹和恢复结果，不能只看某个时刻的 loss 接近。

黄金集是事先选定的参考用例集合，应覆盖常见输入、边界 shape、长输入、失败分支和重要子群。它不是“固定 50 条”这个数字。保留一份未用于调优的检查集，避免为了让已知样例通过而改坏陌生请求；数据少时如实报告覆盖不足，而不是把通过率包装成普遍兼容。

正确之后，才在相同负载下谈性能

用第 08 课的原始记录协议，固定输入分布、输出范围、到达过程、预热和测量窗口，同时报告成功、失败、质量与时延。先重放完全相同的基线，再允许候选方案使用不同的最优配置；分别保存“同配置比较”和“各自调优后比较”，不要把两种结论混在一张排行榜上。

单卡正常后，若目标需要多卡，还须检查目标拓扑中的通信、rank 故障、分片保存与恢复。转换格式后能加载模型，不等于旧 checkpoint 能续训；某个后端能跑单层，不等于能处理动态形状的完整服务。结论要落到已验证的模型、版本、精度、负载及拓扑范围，范围外保持未知。

把迁移与合格工作放进同一本成本账

下面是一小时的合成教学记录，金额不是云报价。本表只练成本：假设两方案都已通过各项验收，档位要求成功 TTFT P95≤3s，联合合格数则采用更严格的单次 TTFT≤2s，并同时要求成功和任务质量通过；不沿用上一课示例的默认门槛。表中未给出的原始分布，不能从合格数反推。候选 B 的设备更便宜，但主机开销、维护投入和迁移成本更高。维护与迁移摊销是规划假设，应同时保留未摊销总额与实际工时。

A 每千次合格成本为 8/9000×1000≈0.889；B 为 9/8000×1000=1.125。设备单价减半，没有使合格工作更便宜。本例 B 的迁移总投入假设为 1,000，预期使用 1,000 小时，所以每小时摊 1；若只使用 100 小时，每小时应摊 10，总成本变成 18，每千次合格成本为 2.25。预测寿命改变就会改变决策，不能隐藏在一个小数里。

试验开始前，约定何时停止

写下不可协商的条件，例如关键输入无法正确执行、质量差异超过合同、目标并行规模不能恢复、关键版本组合无可验证支持路径。再给可修复项一个明确预算：负责人、截止时间、重试范围和复验标准。退出不等于永久否定硬件，而是当前任务在当前约束下证据不足或收益不成立。

退出路径要能够执行：保留基线模型与配置，保留可恢复数据和 checkpoint，验证格式与接口兼容，明确谁把流量或作业切回哪里。先在隔离环境演练恢复，再做小范围试用；若新旧状态无法相互读取，提前设计可接受的重做范围。不要等候选环境故障才发现唯一可用的副本已被清理。

排障从第一个分叉处开始：单算子就不同，查精度、shape 和实现；小用例相同但端到端不同，查模板、预处理和组合路径；单卡通过、多卡失败，查分片与通信；热态快、发布慢，查加载、编译和预热。每次只改变一个解释相关的变量，再回归整份验收合同。

交付一页有证据状态的验收表

1. 将功能、数值、任务质量、性能、恢复和成本各写成“输入与版本—阈值—原始证据—通过/失败/未知”，不得只填“支持”。
2. 陌生候选 C 的窗口总成本为 7，全部尝试 10,000，联合合格 7,000。假设也通过硬约束，比较它与 A 的单位合格成本。
3. 训练可运行，但恢复试验丢失优化器状态；供应商建议先放量再补。写出下一步、退出条件和允许恢复评估所需的新证据。