部署 ClaudeFable5.1 时 GPU 识别失败是什么问题怎么修复-人工智能-PHP中文网

nvidia-smi报“No devices were found”表明GPU硬件未被系统识别或驱动未正确加载，需优先排查物理连接、供电、BIOS设置（如Above 4G Decoding）、lspci识别结果、内核模块加载状态及compute capability兼容性。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

部署 claudefable5.1 时 gpu 识别失败是什么问题怎么修复

GPU 识别失败：nvidia-smi 报“No devices were found”

这说明系统根本没把 GPU 当成可用计算设备，后续所有模型加载、CUDA 初始化都会直接失败。别急着改 PyTorch 代码或重装框架，先确认硬件和驱动层是否通路。

常见现象包括：nvidia-smi 命令报错、lspci | grep -i nvidia 看不到设备、PyTorch 的 torch.cuda.is_available() 返回 False。

检查物理连接：重新插拔 GPU，确认 PCIe 插槽无松动，8pin/6pin 供电线全部接牢
验证电源功率：RTX 4090 需 ≥1000W，RTX 3090 需 ≥750W；低于阈值时 GPU 可能被主板主动禁用
运行 lspci -k | grep -A 3 -i nvidia，看内核是否加载了 nvidia 驱动模块，而非 nouveau

驱动装了但 CUDA 不认：compute capability 不匹配

Fable 5.1 的推理后端（如 vLLM、TGI）默认要求 GPU 支持 compute capability ≥8.0（Ampere 架构起），老卡如 GTX 1080（6.1）或 Tesla K80（3.7）会被直接跳过，不报错也不加载，只安静地 fallback 到 CPU。

这不是 bug，是框架的硬性过滤逻辑。你看到日志里出现 Skipping device xxx: unsupported compute capability 就是这个原因。

查你的卡型号对应 capability：访问 https://developer.nvidia.com/cuda-gpus，输入型号确认数字
若 capability
可临时用 CUDA_VISIBLE_DEVICES="" 强制走 CPU 推理（仅调试用，性能极差）

驱动正常、卡也新，但 PyTorch 仍看不到 GPU

大概率是环境变量或 CUDA 版本链断裂。Fable 5.1 推荐搭配 CUDA 12.4+，而系统自带的 nvidia-cuda-toolkit（Ubuntu）或 cuda-toolkit（conda）可能版本错位。

执行 nvcc --version 和 python -c "import torch; print(torch.version.cuda)"，两者输出必须一致，否则 PyTorch 找不到匹配的 runtime。

claudecode长程任务自动化编程

复杂任务工程化执行框架 — Sprint Contract 协商、三代理角色切换、对抗性评估、任务分解与上下文管理。3+ 文件修改或多模块设计时自动触发，防止复杂任务中的上下文污染和自我评估偏差。

下载

卸载冲突的 CUDA：用 sudo apt remove --purge "*cuda*" "*nvidia-cuda-toolkit*"（Ubuntu）
从 NVIDIA 官网下载 runfile 安装包，勾选“Driver”和“CUDA Toolkit”，**不勾选“NVIDIA Accelerated Graphics Driver”**（避免覆盖已有驱动）
安装后执行 export PATH=/usr/local/cuda-12.4/bin:$PATH 并验证 which nvcc

GPU 被识别但 Fable 5.1 启动时报 “CUDA out of memory” 或卡在初始化

这不是显存不够，而是模型加载器（如 transformers + accelerate）没正确绑定设备。Fable 5.1 默认启用 device_map="auto"，但它依赖 accelerate 的 get_current_device() 接口返回有效句柄——如果该接口因权限或容器限制返回 cpu，整个流程就静默失败。

最稳的绕过方式是显式指定：

from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(
    "anthropic/fable-5.1",
    device_map="cuda:0",  # 强制指定
    torch_dtype="auto"
)

注意：device_map="cuda" 在多卡时可能出错，务必写死 cuda:0 或 cuda:1；同时确认 CUDA_VISIBLE_DEVICES=0 已设置，避免容器内设备编号错乱。

真正容易被忽略的是：Docker 启动时没加 --gpus all 或 --runtime=nvidia（旧版），或者宿主机的 nvidia-container-toolkit 没注册进 containerd。这些配置一旦漏掉，容器里连 nvidia-smi 都看不到 GPU，更别说模型了。