GPU/NPU 驱动与固件兼容矩阵

KB-2026-09-07 · 版本 2026-09 修订 · 作者 xu.mo(平台组)· 适用 北冥 2.2.x / 星槎 2.3.x

本页是北冥算力池与星槎训练平台的驱动/固件组合基线。所有生产节点在纳管前必须命中下表“生产基线”行;测试节点可以用“评估中”的组合,但不得接入训练队列。矩阵每季度复核,最近一次复核 2026-09-07。

1. 生产基线(A 区 / B 区)

批次卡型驱动固件OS / 内核状态
夜航 A 区(2024 批次)BML-910B ×824.1.rc32.3.1-b12AlmaLinux 9.4 / 5.14.0-362生产基线
夜航 B 区(2025 批次)BML-910B ×824.1.rc32.3.1-b12AlmaLinux 9.4 / 5.14.0-362生产基线
A03 混装机柜(2024/2025 混)BML-910B ×4 + MLU-370 ×424.1.rc3 / 5.10.62.3.1-b12 / ml 3.2.1AlmaLinux 9.4 / 5.14.0-362受限:不接默认队列
评测机(孤立网段)多种——Ubuntu 22.04不入池
注意:A03 机柜混装两类卡,2026-09-10 前固件为 b11,升级后仍有 4 张卡识别为 DEGRADED;该机柜仅用于单卡作业,接入训练队列需平台组审批。

2. 兼容矩阵(详细)

驱动固件BML-910BMLU-370CUDA 兼容层备注
24.1.rc32.3.1-b12推荐—12.1当前生产组合
24.1.rc32.3.1-b11可用—12.1混跑 b11/b12 会降 P2P 带宽,不推荐
24.1.rc22.3.1-b12不匹配—12.1启动时报 fw/driver mismatch,需同版本
24.1.rc32.4.0-b02评估中—12.1仅在 B 区 2 台测试节点
23.0.rc1(历史)2.2.8停用—11.82025-03 起不再支持,仅用于老镜像回滚
5.10.6ml 3.2.1—可用—MLU 独立驱动线

3. 升级前检查

  1. npu-smi info 与 npu-smi info -t topo 输出存档,作为升级后对比基线;
  2. 确认节点已 drain(xc-node drain --node <name>),且没有检查点正在写;
  3. 确认安装介质哈希:sha256sum offline-driver-24.1.rc3.tar.zst,对照制品库清单;
  4. 固件升级前备份 /etc/xingcha/node.json 与当前固件版本号。
# 标准升级流程(单节点,约 22 分钟)
sudo ./install-driver.sh --pkg /data/pkg/driver/24.1.rc3 --offline
sudo npu-fw flash --file /data/pkg/fw/2.3.1-b12.bin
sudo reboot
# 重启后验证
npu-smi info | head -20
xc-node selfcheck --section npu_topology

4. 已知问题

问题影响规避
b11/b12 混跑P2P 带宽 22GB/s → 13.8GB/s,训练吞吐掉约 9%整机柜统一固件
24.1.rc2 + b12驱动启动失败,节点不注册驱动与固件同版本配对
reboot 后首次 npu-smi 报 timeout启动 60–90 秒内查询失败,可自行恢复自检脚本加重试 3 次
A03 混装机柜的 2 张卡偶发 DEGRADED,单卡作业不受影响平台组审批后接队列;优先换卡

历史事件:2025-12 有一批 A 区节点因固件 b10 升级到 b11 时未整柜停机,导致 6 台节点 P2P 降速,后由 星槎 调度器侧发现吞吐异常。详见 部署手册 §4。

5. 复核记录

6. 快速判定命令

# 一眼看驱动/固件版本是否配对
npu-smi info -t version
# 输出中 driver_version 与 firmware_version 与本文第一节比对
# 批量扫描(只读,不改节点)
for n in $(cat nodes_yehang_a.txt); do
  echo -n "$n  "
  timeout 8 ssh -o BatchMode=yes "$n" "npu-smi info -t version" 2>/dev/null | tr '\n' ' '
  echo
done