NVIDIA vydala opravu pro problém s přehříváním ovladače GPU

Včera NVIDIA vydala kritickou opravu, aby omezila následky předchozího vydání ovladače, které způsobilo poplach v komunitách AI a herních komunit, protože systémy falešně hlásily bezpečné teploty GPU – a to i když požadavky na chlazení se zvyšovaly směrem k potenciálně kritickým úrovním.

V oficiálním sdělení NVIDIA kolem vydání opravy, ačkoli je to pouze třetí položka v seznamu uvedených oprav, je problém uveden jako ‘GPU monitoring utilities may stop reporting the GPU temperature after PC wakes from sleep’.

Brzy po vydání postiženého ovladače 576.02 se na subredditu Stable Diffusion objevil značkovaný příspěvek s názvem Read to Save Your GPU!, který se stal zdrojem anekdotických problémů a aktualizací uživatelů týkajících se nového ovladače. Z těchto a dalších zpráv na webu lze stanovit časovou osu vznikajících problémů.

První zpráva o chybě na Redditu se zdá, že objevila v pátek odpoledne UTC, na subredditu ZephyrusG14, kde uživatel fricy81 uvedl příspěvek na fóru NVIDIA (archivovaný):

Uživatel na fóru NVIDIA nachází problémy po aktualizaci 576.02. Zdroj: https://www.nvidia.com/en-us/geforce/forums/game-ready-drivers/13/563010/geforce-grd-57602-feedback-thread-released-41625/3524072/

Uživatel na fóru NVIDIA uvedl, že po instalaci aktualizace ovladače přestaly nástroje jako MSI Afterburner a herní monitory, jako je ten v Call of Duty (které obecně přistupují k nativním systémovým čtením, podobně jako panel GPU v správci úloh ve Windows), aktualizovat údaje o teplotě GPU, a zastavily se na hodnotě kolem 35-36°C.

Restartování monitorovacích programů nemělo žádný účinek, uvedl uživatel, a pouze úplné restartování systému obnovilo přesné údaje. Nástroje jako HWInfo a monitorovací aplikace NVIDIA pokračovaly v hlášení teplot correctamente. Uživatel zdůraznil, že problém nastal během normálního použití, ne pouze po probuzení systému ze spánku.

Uživatelský feedback na různých fórech poukázal na obecné narušení normálního chování ventilátoru a úpravu jádrové termoregulace, což vedlo k tomu, že grafické procesory byly v nečekaně vysokých teplotách, a alarmujícím přehříváním pod standardními provozními zátěžemi, jak je popsáno v tomto komentáři:

‘Mohl jsem cítit, že něco není v pořádku. Venku byla pravděpodobně teplota kolem 55°F / 12°C, ale já jsem se cítil jako v peci. Můj okno bylo otevřené, a přesto jsem necítil žádný rozdíl. Všechny ventilátory běžel na maximum, a teploty vypadaly normálně na začátku—kolem 68°C až 72°C po hraní po nějakou dobu.

‘Zpočátku to vypadalo normálně—ale až do následujícího rána, kdy jsem si uvědomil, že tyto teploty nejsou teploty v klidovém režimu, a ventilátory stále běžel.

‘Měl jsem podezření, že hodnoty mohly být příliš vysoké. Stalo se to jednou předtím po instalaci ASUS AI Suite 3 – BIOS nastavení nefungovala správně kvůli tomu.

‘Každopádně, pokračoval jsem a vrátil se k předchozí verzi ovladače.’

Sub-Optimal

Oficiální vydání PDF pro aktualizaci ovladače 576.02 nabízí některé nápady o změnách, které mohly přispět k novým problémům. V sekci 5.5 NVIDIA uznává, že teplota GPU může být hlášena nesprávně na systémech NVIDIA Optimus, konkrétně zobrazuje nulu stupňů, když nejsou spuštěny žádné aplikace.

Sekce 5.5 oficiálních poznámek k aktualizaci 576.02 se zabývá problémy s monitorováním teploty, které zdá se, že ovlivnily širší počet systémů než systém Optimus. Zdroj: https://us.download.nvidia.com/Windows/576.02/576.02-win11-win10-release-notes.pdf

Vydání uvádí:

5.5 Teplota GPU hlášena nesprávně na systémech Optimus

5.5.1 Problém

Na systémech Optimus, nástroje pro monitorování teploty, jako je Speccy nebo GPU-Z, hlásí, že teplota GPU je nula, když nejsou spuštěny žádné aplikace.

5.5.2 Vysvětlení

Na systémech Optimus, když není GPU používán, je umístěn do nízkého výkonového stavu. To způsobuje, že nástroje pro monitorování teploty vrátí nesprávné hodnoty. Probuzení GPU pro dotaz na teplotu by mělo za následek bezvýznamná měření, protože teplota GPU se mění jako výsledek.

Tyto nástroje budou hlásit přesné teploty pouze tehdy, když je GPU probuzen a běží.

NVIDIA Optimus je technologie přepínání GPU, která přepíná mezi integrovanou a diskrétní grafikou na základě požadavků aplikací, aby automaticky vyvážila výkon a spotřebu energie, navrženou tak, aby šetřila životnost baterie a snižovala spotřebu energie. Pro úkoly, jako je hraní her nebo přehrávání HD videa, Optimus aktivuje diskrétní GPU pro lepší výkon; během lehčích aktivit, jako je prohlížení webu, se vrátí k integrované (nabízené) grafice.

Aktualizace zdá se, že rozšířila chování, které bylo dříve omezeno na systémy Optimus, umožňující postiženému GPU vstup do nízkého výkonového stavu, i když není hostován na systému Optimus, což má za následek narušení monitorování teploty v nástrojích třetích stran.

Risk Adjustment

V meisten scénářích je spravedlivé říci, že VBIOS grafické karty by pravděpodobně zabránil trvalému poškození GPU. VBIOS vynucuje termální a výkonové limity na úrovni firmwaru, nezávisle na ovladači.

Takže i kdyby ovladač způsobil nesprávné chování ventilátoru nebo nesprávné hlášení teplot, VBIOS by stále omezil výkon, zvýšil aktivitu ventilátoru nebo jinak vypnul GPU, aby zabránil hardwarovému selhání.

To však neznamená, že riziko bylo zanedbatelné – dlouhodobé vysoké teploty mohou snížit výkon v průběhu času nebo stresovat sousední součástky; navíc, bez společného porozumění, že aktualizace ovladače způsobila problém (neboť v systémech, kde se ovladače aktualizují “tichě”), problém tohoto typu by mohl zmást velkou část postižených uživatelů, kteří mohou pokusit se o nápravu neexistujících problémů nebo dokonce způsobit poškození svých systémů aplikací ne relevantních “řešení”.

Chybné chování způsobené aktualizací 576.02 bylo zvláště alarmující pro ty, kteří se zabývají umělými inteligencemi, kde se high-performance hardware pravidelně tlačí k termálním limitům po delší dobu.

Problémový ovladač 576.02 způsobil širší vlnu stížností po svém vydání v polovině dubna, navzdory počátečním zprávám, že nabízí některé benefity pro výkon. Přes poskytování opravy a úroveň narušení, kterou 576.02 zdá se, že způsobil, zůstává k dispozici ke stažení* na webu NVIDIA.

Afterglow

Co se týče následků vadné aktualizace, existuje několik typů poškození a nebo nepříjemností, které jsou hlášeny: uživatel Frankie_T9000 hlásil, že jeho GPU havaroval při startu kvůli přehřátí pod vadnou aktualizací a stabilizoval se až po podtaktování. Komentoval ‘zdá se, že není trvale poškozen, ale potřebuji co nejdříve aplikovat novou termální pastu (mám ji objednanou na středu) podezřívám, že stará termální pasta byla více stárnoucí kvůli nahromadění tepla, takže aplikuji novou pastu.‘

Včera jiný uživatel ve stejné diskusi uvedl: ‘Používám vlastní křivku ventilátoru s MSI Afterburner, a ukazovalo, že teploty mého GPU jsou neustále na 27°C, takže se ventilátory nezapnuly, což vedlo k problémům s přehříváním. Považoval jsem to za problém na své straně, ale po instalaci předchozí verze ovladače vše fungovalo opět v pořádku. Také teploty nejsou zobrazeny správně v správci úloh.’

Although NVIDIA (jako uvedeno v každém vydání opravy) často poskytuje opravy pro konkrétní videohry nebo platformy, riziko poškození teplem nebo kolem GPU je vyšší pro praktiky AI než pro hráče, protože intenzivní procesy strojového učení, jako je trénink nebo udržení inferencí, umístí GPU pod stálou dlouhodobou zátěž – událost, která je pravděpodobně spuštěna pouze periodicky ve hře, která může “vystřelit” do vysoké úrovně využití pro boss-battle nebo zvlášť náročnou sekci mapy, ale která je jinak navržena jako kompromis mezi využitím GPU a systémovou stabilitou.

* Archiv: https://archive.ph/ylVR1

První vydání úterý 22. dubna 2025