周期采样里，探针自身耗时会侵占采样窗口。756 毫秒的样本间隔意味着这条曲线描述的是探针，不是 GPU。
除了 Autarkia，我还在做一个调度研究原型 EdgeSched：一块显卡上，LLM 要常驻，图像生成会突发，CPU 任务在空隙里回填，研究的是它们怎么共存。实验的主要产物是显存和利用率随时间变化的驻留曲线，结论要写进论文，所以每条曲线先得证明自己可信。
GPU 驻留曲线按固定周期采样显存与利用率。判断一条曲线是否可信，第一件事不是看数值是否平滑，而是看每个样本离它声称的时刻有多远。这套实验链路把这个距离称为样本年龄，上限 750 毫秒；任何一条样本超龄，整批测量判为无效。
这个门来自一次实际测得的失真。早期 GPU 遥测通过 nvidia-smi 命令行子进程轮询。在档位 × 上下文 × 轮次的长矩阵里，4096 token 上下文的那一档配置下的驱动查询长尾达到 512 毫秒，已经接近采样周期本身。采样器在查询完成后继续等待下一个固定网格点，把实际样本间隔放大到 756 毫秒。曲线看起来还是完整、平滑的，但里面已经混进了探针自己的耗时。
01三层修复
修复分三层，缺任何一层门禁都还会失效。第一层是换后端：ctypes 直接调用 NVML，不再启动子进程；manifest、summary 与逐轮验收强制记录 gpu_telemetry_backend=direct_nvml 与 gpu_cli_subprocess_used=false，并禁止静默回退到命令行。
第二层是补采。周期探针一旦越过下一个采样点，完成后立即补采，而不是等下一个网格；每次补采计入 gpu_deadline_recovery_count，让观测者效应本身成为被审计的量。
第三层是字段排序。显存读数安排在利用率、功耗、温度之后查询，让样本时间戳尽可能贴近显存数值，其余字段带来的系统性偏移随之缩小。
有效性判定还有一条容易被漏掉的细则：样本数量足够、后端也正确，只要窗口内的样本年龄超限，整批仍然无效。direct NVML 与样本数都通过、但没有新鲜样本的批次，同样判失败。后端正确与数据有效是两个独立的判定。
测量基础设施自身也按同一套门验收。首个 GPU 样本就绪之前，资源时间线不开始；首个 CPU 样本被标记为无效并从聚合中排除。一次两秒的验收运行要求 41/41 个采样点可用，实测最大样本年龄 422.719 毫秒，低于 750 毫秒的门限，这套基础设施才算通过验证。
这些门证明的东西很窄：时间线上的每个数值都确实发生在它声称的时刻附近。它们不证明某个配置性能更好，也不声称捕获了快于采样间隔的波动。750 毫秒是测量有效性与采样成本之间的折中，不是对 GPU 行为的断言。