SemiAnalysis expõe falhas reais em nuvens de GPU

Testes com injeção deliberada de falhas mostram que painéis verdes enganam compradores e que a substituição de servidores varia de 43 minutos a travamentos completos.

Equipes que alugam capacidade em nuvens de GPU para treinar modelos de inteligência artificial costumam confiar em painéis de monitoramento impecáveis. Indicadores verdes sugerem que todos os nós operam sem atrito. Na prática, muitos desses servidores permanecem travados em segundo plano. Um relatório técnico da consultoria SemiAnalysis, baseado na rodada ClusterMAX 3.0 divulgada em 1º de outubro de 2026, revelou disparidades graves na forma como provedores detectam e corrigem falhas em hardware de produção.

A consultoria, que vende serviços de auditoria técnica e análise de custo total para compradores de computação, avaliou 77 operadoras no mercado. Em vez de depender apenas de formulários declaratórios, a equipe injetou erros intencionais no hardware e no sistema operacional durante testes contínuos de estresse de 8 horas para cronometrar a recuperação real de cada cluster.

O mito do painel verde

Para quem treina modelos fundacionais, o preço anunciado da hora de GPU é secundário. A métrica que dita o custo real é o goodput: a porcentagem de tempo operacional em que os aceleradores estão calculando gradientes válidos, em vez de esperar reinicializações, nós parados ou gravação lenta de checkpoints.

Durante a avaliação, a SemiAnalysis injetou mensagens sintéticas de erro no buffer do kernel do Linux, provocou resets de pontes PCIe e disparou comandos de diagnóstico via utilitário Nvidia DCGM e rotinas RAS da AMD. O comportamento variou muito entre os fornecedores. Vários provedores mantiveram o painel em verde estático mesmo após a interrupção completa dos trabalhos dos clientes. Outros usavam automações frágeis que reiniciavam servidores sadios ao menor aviso preliminar, abortando treinos em andamento, ou deixavam GPUs avariadas disponíveis no escalonador de tarefas Slurm, provocando erros sucessivos para outros usuários.

HGX contra NVL72: o risco da densidade

A apuração técnica aponta para um divisor estrutural na infraestrutura física. Em servidores convencionais HGX, que reúnem oito processadores gráficos em um único chassi (como nós equipados com Nvidia H100 ou B300), isolar um componente defeituoso é uma tarefa direta. A operadora drena o servidor afetado e aloca uma máquina sobressalente de oito chips.

Esse isolamento limpo desaparece em sistemas de escala de rack como os gabinetes Nvidia GB200 e GB300 NVL72 da arquitetura Blackwell. Neles, 72 processadores compartilham um barramento de rede de alta velocidade unificado chamado NVLink. Se uma gaveta de quatro GPUs quebra, todo o domínio NVLink sofre a interrupção. A operadora precisa rodar em capacidade degradada ou desligar o rack inteiro, tornando a autorremediação rápida ainda mais crítica.

Testes reais em nuvens de GPU expõem automações frágeis

As medições práticas em provedores comerciais expuseram o tamanho dessa lacuna operacional. Na TensorWave, que opera aceleradores AMD Instinct MI355X, o erro injetado fez o sistema marcar o nó imediatamente para drenagem no escalonador. Após a confirmação manual de um técnico, a plataforma alocou um nó reserva e restabeleceu a capacidade plena em cerca de 43 minutos.

Já os testes em um cluster de Nvidia H100 na Crusoe enfrentaram problemas maiores. Uma falha de compatibilidade de nomes entre o Kubernetes e o integrador do Slurm impediu que o nó defeituoso fosse drenado, prendendo o verificador de integridade em um loop contínuo de checagem. A máquina de substituição alocada veio com placas de rede de armazenamento avariadas, e os servidores rodavam kernels Linux 5.15 expostos a vulnerabilidades conhecidas (CVE-2026-64378 e CVE-2026-64531, com gravidade CVSS 7.8). O conjunto de falhas rebaixou a Crusoe para a faixa Bronze no índice da consultoria.

Estoque próprio e contratos por capacidade útil

A estratégia de data center físico explica grande parte dessa divergência. Provedores proprietários de suas instalações mantêm peças de reposição e técnicos dedicados no local. Já empresas que operam em regime de colocation dependem de chamados de suporte para terceiros (remote hands), acumulando atrasos de horas na substituição física de componentes.

Diante desse cenário, a SemiAnalysis publicou em seu portal oficial uma proposta de acordos de nível de serviço (SLA) padronizados em três faixas (Bronze, Silver e Gold). O objetivo é superar métricas baseadas apenas em chamados de suporte e vincular créditos financeiros e rescisão contratual diretamente à capacidade de computação útil testada e validada por ferramentas independentes.