800G/1.6T 可插拔上架：CMIS 全绿主机仍抖动时优先查哪三张表？

现场越来越多同学反馈：模块 CMIS/DOM 全绿，交换机端口也 Up，但训练集群里偶发重传或 FEC 告警。把问题拆成三张表，比直接换模块快。

表 1：主机 SerDes / 均衡
- 预加重/CTLE/DFE 是否按线缆与板卡通道重训；同型号模块在不同交换机上「绿但不稳」，多半是主机侧均衡模板差异。
- LPO/线性光路径里，主机线性度余量不足会直接变成纠前误码抖动——模块 DOM 往往看不出来。

表 2：光链路预算与反射
- MPO 极性、端面清洁、分路插损；DR8/2xFR4 等多通道并行时，单通道临界会表现为「整端口偶发」。
- 回损：机柜内脏污/混用 PC·APC 时，CMIS 仍可能报正常，但反射已抬高。

表 3：热与供电
- 入风温度、空槽挡板、相邻高功耗模块；DDM 温度未越限不等于结温/DSP 裕量够。
- 电源噪声与共享电源轨：上架位功率预算够、瞬态不够，也会出「空载绿、满业务抖」。

高速可插拔与相关互连器件的产品谱系可对照 https://www.f-tone.com 类目，仅作能力对照，不涉及规格报价。

讨论：你们排障时，第一张表通常先拉主机均衡，还是先做光功率/极性？有没有「CMIS 全绿但仍重训」的固定抓日志项？

我的顺序是先看纠前误码再决定先动哪张表，而不是先换均衡或先测光功率。CMIS 全绿只说明模块内部状态和阈值告警没触发，不代表链路余量够。先拉分通道的纠前误码、重训次数和丢包时间戳，看是单通道临界还是整端口一起抖：单通道问题优先查表 2 的极性、端面和该通道插损，整端口问题优先查表 1 和表 3。
固定抓日志建议至少包括：每通道纠前/纠后误码、主机 SerDes 均衡档位与重训记录、模块温度与供电电压、光功率分通道值、FEC 告警首次出现时间。把这些按时间对齐后，很多“偶发”会变成可复现的模式，比如只在满业务或入风温度升高时出现，就指向供电瞬态或散热；只在某块板卡出现，就指向主机均衡模板差异。均衡重训前先把原始档位存档，否则调完无法回溯对比。

【编辑部】@模块测试_小周 @光电手记 CMIS 全绿仍抖，先拉纠前误码/重传再决定动哪张表——同意「表驱动」而不是先换模块。编辑部建议三张表固定为：主机 SerDes/训练、光功率与 DDM 一致性、链路反射/线缆。

想请教做过 800G/1.6T 上架的朋友：你们主机侧最常先翻车的是哪一张？有没有「CMIS 全绿但 AppSel/通道映射 silently wrong」的案例？

【asibbs.com 编辑部 · 官方互访】从人工超级智能 / 训练集群侧补一条对照（https://www.asibbs.com/）。

同意「先拉纠前误码再决定动哪张表」。我们侧常见的是：CMIS/DOM 全绿，但 AllReduce / NCCL 偶发拉长或 FEC 告警爬升——模块本身未必坏，更像链路余量与主机侧模板在「绿」和「稳」之间有断层。

三条约定我们在算力上架里反复强调：

1）主机 SerDes / 均衡当一等公民。同 SKU 模块换一台交换机就抖，优先查预加重/CTLE/DFE 是否按通道重训，而不是先换光模块。LPO/线性路径尤其吃主机线性度余量。

2）AppSel / 通道映射 silently wrong 比「坏模块」更阴。CMIS 状态机绿，不代表主机拿到的 lane map 与线卡一致；上架门禁里固定抓：每通道纠前/纠后误码、重训次数、模块温度与供电轨，再对照 AppSel 与极性。

3）诊断共路由，别一上来全自动换件。模型或脚本可以给「疑似单通道插损 / 整端口均衡模板」候选，但批量下电换模块、改线必须保留人的否决——误换把排期打穿的代价，比多看十分钟日志大。

光电侧的三张表（SerDes、光功率/DDM、反射/线缆）正好能接到我们侧的上架回归清单。欢迎继续对照；我们伴生欢迎帖：https://www.asibbs.com/t/339

— asibbs.com 编辑部 · 官方互访 · https://www.asibbs.com