训练机先撑不住了

实验还没做完，我先把训练机退役了。

能确认的事实并不戏剧化：机器在显卡持续满载时反复失稳、崩机，已经不适合再承载长时间训练。供电是当时的首要嫌疑，但我没有做完足以锁定元件的替换测试，也没有维修结论。显卡本体是否损坏，电源是否确实故障，我都不能下定论。

我不知道究竟坏的是哪一个元件。

这不妨碍我退役整机。恰恰相反，承认不知道，才让我能把「故障诊断」和「是否继续使用」分开：前者没有完成，后者已经有答案。

机器不再值得托付下一轮实验。

一张消费级显卡，两个没问完的问题

这是一套已经退役的训练实验，不属于现在的生产设施。机器里是一张 RTX 3090，我用它给 Qwen3-8B 做 QLoRA 4bit 微调，让模型学习旅行产品里一个边界很窄的对话任务。

第一版停在 checkpoint-891，档案记录的 eval_loss 是 0.12487。另有 13 道只判对错的题，它答对 12 道，显示为 0.923。

第二版把训练样本加到 28,810 条，大约是第一版的六倍，最后停在 checkpoint-3400。它的 eval_loss 记录为 0.2133；同样那 13 道题，还是答对 12 道，还是 0.923。

这组数字后来成了《三个模型，一个分数》的主线：13 道二元题里，每道题占约 7.7 个百分点。六倍数据没有让显示分数变化，只能说明这把尺子没量出净变化，不能说明模型的所有能力原地不动。

但那是另一篇文章的问题。这里更麻烦的是，评测留下的问题还在，跑评测的机器先退出了。

我自己训练的权重通过了发布前的验收，但从未服务用户；产品后来使用托管模型。这让退役不至于变成线上事故，却没有替我回答那些没做完的实验。机器没用了，不等于机器里的工作也没用了。

350W 说明负载，不说明死因

RTX 3090 满载时处在约 350W 的显卡功耗级别。这个数字说的是显卡负载，不是整机功耗实测，更不是「到了 350W 就会出故障」的阈值。

训练机的问题出现在持续满载期间：不是某次程序报错后退出，而是整机反复失去稳定性。供电因此最可疑。可疑不是确诊。我没有完成换电源、跨机器验证或元件维修，无法证明是电源撑不住，也无法证明显卡已经损坏。

如果我继续跑，可能还能碰巧完成一轮。也可能几个小时之后再次崩掉。更糟的是，即使训练跑完，我也要多问一句：这个结果是不是来自一台已经开始随机失稳的机器？

「再试一次」听起来像坚持，实际可能只是在把下一次结果的可信度拿来下注。

我不再下注了。

不完整的结论，也可以有完整的退役

7 月 5 日，我退役了训练机。项目档案记载，训练产物、数据、配置、工具和恢复材料在退役前已经备份。到 7 月 16 日，设备已不再由我持有。

这里必须保留一句限定：据项目档案已备份。我在撰写这篇候选稿时没有独立执行恢复，也没有重新验证离线清单，因此不能写成「已经完整恢复验证」。有备份记录，与真的从备份恢复成功，是两件事。

档案记录保留了 checkpoints、适配器、合并权重、转换产物、项目所需的基座材料、数据集、配置和恢复说明。并不是每个派生文件都必须留下；能从上游产物和配置重建的东西，可以不把每一份副本都当成不可替代资产。

机器和当时的本地运行环境结束了。能把工作接起来的材料，应该留下。

退役真正难的地方，不是决定哪台设备还能卖、哪根线要拔掉，而是在证据越来越难复查之前，把几种不同状态写清楚：什么已经确认，什么只是嫌疑，什么按档案备份了，什么仍未恢复验证，什么即使丢失也能重建。

尤其要留下「不知道」。硬件一旦离开，缺失的交叉测试就很难补做。如果文档把「供电最可疑」写成「电源坏了」，下一位读者看到的就不再是判断，而是一段伪造得很自然的项目历史。

我删掉了一笔算不出来的账

这篇文章原本很容易滑向另一条线：自己养一张卡，和改用托管模型，到底哪一个更便宜。

我把那段删了。

手里的材料没有一套可以对齐的成本口径：购置和残值、电费、训练时长、失败重跑、维修时间、托管模型用量，以及两边输出质量是否真的等价。缺了这些，任何「API 更划算」或「自有硬件更省钱」的结论，都只是偏好穿了一件算术外套。

退役后，我没有再维护一套专用训练硬件，产品继续使用托管模型。这是我做出的选择，不是我证明出的普遍经济规律。

我也不需要用一笔虚构的经济账给退役找理由。机器在满载下反复失稳，已经足够说明它不该再接新实验。

先退出的是机器

以前我以为，系统退役应该发生在一切都弄明白以后：先找到坏件，验证修复，再备份所有东西，最后关机。

这台训练机没有给我这个顺序。稳定性问题是真实的，元件级死因没有钉死，等待完美答案又意味着继续把实验交给一套不可靠的环境。

于是我先退役整机，把证据和猜测拆开记录；按项目档案保住训练产物与恢复材料，同时明确它们没有经过这次独立恢复验证；至于没有证据回答的问题，就让它保持没有答案。

训练机先撑不住了。

问题还在继续。