显存耗尽触发gpu驱动保护机制导致蓝屏，需通过nvidia-smi监控确认oom、清理隐性占用进程、清除cuda残留上下文、禁用tcc保护、强制指定bfloat16精度五步解决。
电脑在运行大语言模型微调时突然蓝屏，大概率不是系统崩溃本身的问题，而是显存资源被彻底耗尽后触发GPU驱动级保护机制强制重置——此时Windows无法维持显存管理状态，直接抛出DRIVER_IRQL_NOT_LESS_OR_EQUAL或VIDEO_TDR_FAILURE蓝屏代码。这类蓝屏几乎总伴随nvidia-smi报错卡死、训练进程消失、GPU温度骤降等现象，与普通软件冲突蓝屏有本质区别。
第一步：确认蓝屏是否由显存超载引发
不要急着重装驱动或换硬件——先验证是不是显存真爆了。打开命令行，执行：
【nvidia-smi -l 1】（持续每秒刷新显存占用）→ 立刻启动微调脚本 → 观察GPU-Util是否在蓝屏前瞬间冲到100%且Memory-Usage持续贴顶（如24GB卡显示23980MiB/24576MiB）→ 若出现该现象，基本锁定为显存OOM型蓝屏。
若nvidia-smi在蓝屏前已无响应或显示“N/A”，说明GPU驱动已被内核强制卸载，这是显存彻底耗尽的铁证，不是驱动bug。
第二步：揪出隐性显存吞噬者
很多用户以为只跑一个微调进程就安全了，但Chrome、Discord、甚至Windows桌面窗口管理器（DWM）都在后台偷偷吃显存。按Ctrl+Shift+Esc打开任务管理器→切换到“性能”选项卡→点击“GPU”→观察“GPU引擎”下方各进程的“专用GPU内存”列。
重点排查以下几类进程：chrome.exe（含GPU进程）、Discord.exe、ZoomOpenglRenderer.exe、explorer.exe（若开启文件预览缩略图）、WSLg（如果启用了WSL GPU支持）。
右键结束所有显存占用＞300MB的非必要进程。特别注意：Chrome即使关闭所有标签页，GPU进程仍常驻并锁定500MB+显存，必须彻底杀掉整个Chrome进程树。
第三步：检查CUDA上下文残留
上次微调中断后，Python进程可能已退出，但CUDA上下文没释放干净，导致新训练启动时显存可用量虚低。执行：
fuser -v /dev/nvidia* → 若输出包含python或torch相关PID，说明有僵尸CUDA上下文。
【pkill -9 -u $USER python】 → 强制杀死当前用户所有Python进程（包括Jupyter kernel、fastapi服务等）→ 再执行 【nvidia-smi --gpu-reset -i 0】（需root权限，重置GPU状态）→ 重启终端再试。
注意：nvidia-smi --gpu-reset会中断所有GPU任务，确保没有其他人在用这台机器。
第四步：绕过Windows TCC保护机制
Windows默认启用TCC（Tesla Compute Cluster）模式保护GPU计算任务，但该机制在显存临界时反而会触发蓝屏而非优雅降级。临时禁用方法：
以管理员身份打开PowerShell → 执行：【bcdedit /set {current} nx AlwaysOff】 → 重启电脑。
该操作关闭数据执行保护（DEP），对微调任务无实质风险，但能避免TCC在显存满载时强制蓝屏。完成微调后建议恢复：【bcdedit /set {current} nx OptIn】。
第五步：验证模型加载精度是否被悄悄降级
某些旧版CUDA容器或Conda环境会自动将bfloat16降级为float32，显存占用翻倍却不报错。检查你的微调命令中是否明确指定：
--torch_dtype bfloat16（正确）
而不是 --torch_dtype float32 或完全不写该参数（【高危！默认可能fallback到float32】）。
强制添加--torch_dtype bfloat16可堵住这个隐形漏洞，尤其在RTX 4090D等新卡上效果立竿见影。
