А после стольких лет работы и отдыха эти зашелки ясен хрен потеряли эластичность и пластик начал чуть ли не крошиться, моноблок, кстати тоже конца 2013, то ли начала 2014 года, ни разу не обслуживался и пломбы никто не трогал, ну и проц забавно так в биосе 88 градусов показывал i5 этот. Потом разобрал, глянул ,а там такое)))

И все это окаменело... Это говоря о качестве того и как использует MSI термопасту, после MX6 температуры вернулись в норму 40 по процу в простое. Удивительно как оно вообще когда-то охлаждалось с таким нанесением термоинтерфейса.

А учитывая что там видюха GTX 860m, то он явно преподносился как игровой. Надо ли говорить как надрывался бедный кулёк пытаясь это охладить, когда радиатор еще вдобавок валенком уплотнился за эти годы. Апгрейд был на M-Sata SSD на пол терабайта и модуль памяти еще один на 8 гигов той же ддр3, в общем оживить его хотел, но жалоба была на то что он в циклической перезагрузке и не включался (это помимо проблем с перегревом, которые его не сильно парили).

Ну я глянул, а там биос странно настроен, на рейд массив и вырублена UEFI поддержка переключена на легаси, притом что там еще и 8.1 винда зашита заводская. Ну пофиг, он сказал у него сын мелкий, я подумал сынулька полазил шаловливыми ручонками в биосе и тот больше не включался уходя в циклический перезапуск приветственного окна, даже не доходя до загрузки ОС.

Вроде все настроил как надо, вроде все заработало, и винда новая на ссд и старый хард и память, обновил биос до последнего приемлемого, полагая что ссд может тупить без обновки - вроде все путем и тут внимание - включил и выключил несколько перезагрузок - все отлично! Нормально, можно выдавать девайс заказчику. Думаю утром проведу доп тесты и тогда сообщу ему. На след день решил перетащить моноблок на более удобное мне место оттуда где я его разбирал и чистил что бы погонять его в тестах и что бы он был на виду. Врубаю его значит, а он зараза снова в цикл перезагрузок)))...

Я конечно знатно прифигел, залезаю в биос, а там такая же хурма как раньше еще и время слетело, ну круто думаю - села батарейка, и как подумаю что мне его опять разбирать и собирать чуть ли не поплохело. Ну думаю хрен бы с ним, надыбал новую батарейку, разобрал, а там чехол термоусадочный присобаченный к плате клеем на батарейке и еще она припаяна с обоих сторон к проводкам внутри))) MSI собаки тошные...

Почему нельзя сделать нормальное гнездо под батарейку, словно там места нету... Когда ее заменил все как надо запустилось... но времени на этот моноблок и сил я потратил прилично... Потом мне тактично рассказали что до попыток его запустить год или больше простоял без работы, что меня несколько напрягло, нельзя что ли было сразу это упоминуть... Мораль сей басни такова - Fuck MSI!

Взято отсюда http://forum.igromania.ru/showthread.php?t=131070&page=962

Материнская плата ASUS TUF GAMING B850-PLUS WIFI

Процессор AMD Ryzen 5 9600X OEM

Видеокарта ASUS AMD Radeon RX 9060 XT TUF GAMING OC [TUF-RX9060XT-O16G-GAMING]

Кулер для процессора Thermalright Peerless Assassin 120 Black [PA120-BLACK]

Оперативная память ADATA XPG Lancer RGB [AX5U6000C3016G-DCLARBK] 32 ГБ

Блок питания Thermaltake TOUGHPOWER GF A3 Gold 650W - TT Premium Edition [PS-TPD-0650FNFAGE-H]

В целом по бенчмаркам, отзывам и обзорам всё компоненты, кроме блока питания более менее устраивают. Тут вопрос в том что не совсем понимаю как правильнее было бы взять блок. Говорят брать +30% запаса мощности, плюс говорят, чтобы с одной стороны блок не должен быть постоянно загружен, но при этом не должен быть в простое.

По деньгами мне ДНС насчитывает 148000 рублей. Покупать я буду не всё в одном месте, в некоторых магазинах получится достать дешевле, поэтому где-то 8000 можно срезать.

Есть другой вариант, более дорогая видеокарта, но остальное на много дешевле.

Основа Видеокарта Powercolor AMD Radeon RX 9070 XT Reaper [RX9070XT 16G-A]

Процессор AMD Ryzen 5 7500F OEM [AM5, 6 x 3.7 ГГц, L2 - 6 МБ, L3 - 32 МБ, 2 х DDR5-5200 МГц, TDP 65 Вт]

Материнская плата GIGABYTE B650 UD AX [AM5, AMD B650, 4xDDR5-5200 МГц, 4xPCI-Ex16, 3xM.2, Standard-ATX]

Блок питания DEEPCOOL GamerStorm PN850D [R-PN850D-FC0B-WGEU-V2] черный [850 Вт, 80+ Gold, APFC, 20+4 pin, 2 x 4+4 pin CPU, 8 SATA, 16 pin (12V-2x6), 3 x 6+2 pin PCI-E]

Кулер для процессора DEEPCOOL AK620 [LGA1700] [R-AK620-BKNNMT-G] [основание - медь, 1850 об/мин, 28 дБ, 4 pin, 260 Вт]

Оперативная память Kingston FURY Beast Black [KF552C40BBK2-32] 32 ГБ [DDR5, 16 ГБx2 шт, 5200 МГц, 40(CL)-40-40]

Сборка не моя, просто нашёл, поэтому не изучал каждый отдельный предмет 😅https://www.dns-shop.ru/user-pc/configuration/61ddabe4904b30...

С одной стороны хочу больше мощи, с другой стороны надёжности, потому что зная себя, играть буду часто, в свободное от работы время. Ну а чем больше нагружает систему, тем больше рисков. Поэтому вопрос надёжности.

Прошу помочь знающий любителей и спецов 🙏

Сейчас у меня ноутбук hp omen 16 FHD 16"

amd ryzen 5 5600hr, radeon rx 6600m 8gb, ОЗУ 16гю по 3200

Поэтому прирост мощи планирую значительный в любом случае. HP заблочили Россию, поэтому даже драйвера нужно с танцами качать 🙄

Добавлю то что забыл, корпус и память в моей сборке:

Корпус Thermaltake Ceres 300 [CA-1Y2-00M1WN-00]

Корпус Midi-Tower ASUS TUF Gaming GT301 Raskat

2000 ГБ M.2 NVMe накопитель MSI SPATIUM M480 PRO [S78-440Q600-P83]

Компания MSI недавно представила новую линейку блоков питания серии MAG GLS с поддержкой спецификаций ATX 3.1, PCIe 5.1 и коннектором 12V-2x6. Новая серия, являющаяся продолжением серии MAG GL, представленной в 2024 году, включает модели мощностью 1000, 850, 750 и 650 Вт. Как отметил ресурс Wccftech, серия GLS во всех отношениях превосходит модели серии GL, поскольку у новой серии гораздо ниже уровень шума. На момент выхода линейка блоков питания MSI MAG GLS была сертифицирована по стандарту 80 Plus Gold и имела рейтинг Gold от Cybenetics.

Однако Cybenetics затем пересмотрела свои рейтинги эффективности для всей линейки и присвоила ей сертификат Platinum, что является значительным продвижением по сравнению с рейтингом Gold.

Согласно Cybenetics, для получения рейтинга Platinum блок питания должен соответствовать следующим критериям:

• Общий КПД: ≥89 % до <91 %

• Общий коэффициент мощности (PF): ≥0,975

• Общий КПД 5VSB: >76%

• Показатель Vampire Power: <0,16 Вт

КПД 5VSB:

• >45 % при нагрузке ≤0,225 Вт (ErP Lot 6 2013 г.).

• >45 % при нагрузке ≤0,45 Вт (ErP Lot 6 2010 г.).

• >75 % при нагрузке ≤2,75 Вт (CEC и ErP Lot 3 2014 г.).

• >75 % при нагрузке ≤7,5 Вт (CEC и ErP Lot 3 2014 г.).

Стоимость БП MSI MAG GLS мощностью 1000 Вт составляет $189,99, БП мощностью 850 Вт — $149,99, БП мощностью 750 Вт — $129,99, БП мощностью 650 Вт — $89,99. На все блоки питания MSI MAG GLS предоставляется 10-летняя гарантия от производителя.

Самый высокий рейтинг в Cybenetics — «Бриллиантовый» (Diamond), и его в настоящее время не имеет ни один блок питания. У MSI есть блок питания с сертификатом «Титановый» (Titanium) — MEG Ai1600T PCIe5, а также 10 блоков питания с сертификацией Platinum и 11 блоков питания с сертификацией Gold. Список моделей линейки блоков питания MSI MAG GLS приведен ниже:

• MSI MAG A1000GLS PCIe5 (Platinum)

• MSI MAG A850GLS PCIe5 (Platinum)

• MSI MAG A750GLS PCIe5 (Platinum)

• MSI MAG A650GLS PCIe5 (Platinum)

Наличие поддержки самых современных стандартов ATX 3.1/PCIe 5.1 не помешало производителю предложить блоки питания MSI MAG GLS по умеренной стоимости. Топовая модель мощностью 1 000 Вт доступна по цене $189,99, блок питания мощностью 850 Вт стоит $149,99, блок питания мощностью 750 Вт оценили в $129,99, а за блок питания мощностью 650 Вт просят $89,99.

Все эти модели имеют полностью модульную конструкцию. Наличие сертификатов Platinum означает, что каждый из этих БП гарантирует стабильную и качественную подачу питания, а их покупатели получат 10-летнюю гарантию.

Python 3.10.6 (tags/v3.10.6:9c7b4bd, Aug 1 2022, 21:53:49) [MSC v.1932 64 bit (AMD64)]

Version: f2.0.1v1.10.1-previous-669-gdfdcbab6

Commit hash: dfdcbab685e57677014f05a3309b48cc87383167

Launching Web UI with arguments: --skip-torch-cuda-test --no-download-sd-model

D:\SD\system\python\lib\site-packages\torch\cuda\__init__.py:209: UserWarning:

NVIDIA GeForce RTX 5060 Laptop GPU with CUDA capability sm_120 is not compatible with the current PyTorch installation.

The current PyTorch install supports CUDA capabilities sm_50 sm_60 sm_61 sm_70 sm_75 sm_80 sm_86 sm_90.

If you want to use the NVIDIA GeForce RTX 5060 Laptop GPU GPU with PyTorch, please check the instructions at https://pytorch.org/get-started/locally/

warnings.warn(

Total VRAM 8151 MB, total RAM 16084 MB

pytorch version: 2.3.1+cu121

Set vram state to: NORMAL_VRAM

Device: cuda:0 NVIDIA GeForce RTX 5060 Laptop GPU : native

Hint: your device supports --cuda-malloc for potential speed improvements.

VAE dtype preferences: [torch.bfloat16, torch.float32] -> torch.bfloat16

CUDA Using Stream: False

D:\SD\system\python\lib\site-packages\transformers\utils\hub.py:128: FutureWarning: Using `TRANSFORMERS_CACHE` is deprecated and will be removed in v5 of Transformers. Use `HF_HOME` instead.

warnings.warn(

Using pytorch cross attention

Using pytorch attention for VAE

ControlNet preprocessor location: D:\SD\webui\models\ControlNetPreprocessor

2025-09-28 09:52:00,089 - ControlNet - INFO - ControlNet UI callback registered.

Model selected: {'checkpoint_info': {'filename': 'D:\\SD\\webui\\models\\Stable-diffusion\\gonzalomoXLFluxPony_v40UnityXLDMD.safetensors', 'hash': 'd632a450'}, 'additional_modules': [], 'unet_storage_dtype': None}

Using online LoRAs in FP16: False

Running on local URL: http://127.0.0.1:7860

To create a public link, set `share=True` in `launch()`.

Startup time: 57.7s (prepare environment: 0.7s, launcher: 0.4s, import torch: 25.1s, initialize shared: 0.4s, other imports: 1.5s, load scripts: 8.5s, create ui: 13.8s, gradio launch: 7.3s).

Environment vars changed: {'stream': False, 'inference_memory': 1024.0, 'pin_shared_memory': False}

[GPU Setting] You will use 87.44% GPU memory (7126.00 MB) to load weights, and use 12.56% GPU memory (1024.00 MB) to do matrix computation.

Loading Model: {'checkpoint_info': {'filename': 'D:\\SD\\webui\\models\\Stable-diffusion\\gonzalomoXLFluxPony_v40UnityXLDMD.safetensors', 'hash': 'd632a450'}, 'additional_modules': [], 'unet_storage_dtype': None}

[Unload] Trying to free all memory for cuda:0 with 0 models keep loaded ... Done.

StateDict Keys: {'unet': 1680, 'vae': 248, 'text_encoder': 197, 'text_encoder_2': 518, 'ignore': 0}

Working with z of shape (1, 4, 32, 32) = 4096 dimensions.

K-Model Created: {'storage_dtype': torch.float16, 'computation_dtype': torch.float16}

Model loaded in 22.0s (unload existing model: 0.6s, forge model load: 21.5s).

Skipping unconditional conditioning when CFG = 1. Negative Prompts are ignored.

[Unload] Trying to free 3051.58 MB for cuda:0 with 0 models keep loaded ... Done.

[Memory Management] Target: JointTextEncoder, Free GPU: 1934.60 MB, Model Require: 1559.68 MB, Previously Loaded: 0.00 MB, Inference Require: 1024.00 MB, Remaining: -649.08 MB, CPU Swap Loaded (blocked method): 1056.00 MB, GPU Loaded: 696.68 MB

Moving model(s) has taken 3.21 seconds

Traceback (most recent call last):

File "D:\SD\webui\modules_forge\main_thread.py", line 30, in work

self.result = self.func(*self.args, **self.kwargs)

File "D:\SD\webui\modules\txt2img.py", line 131, in txt2img_function

processed = processing.process_images(p)

File "D:\SD\webui\modules\processing.py", line 842, in process_images

res = process_images_inner(p)

File "D:\SD\webui\modules\processing.py", line 962, in process_images_inner

p.setup_conds()

File "D:\SD\webui\modules\processing.py", line 1601, in setup_conds

super().setup_conds()

File "D:\SD\webui\modules\processing.py", line 505, in setup_conds

self.c = self.get_conds_with_caching(prompt_parser.get_multicond_learned_conditioning, prompts, total_steps, [self.cached_c], self.extra_network_data)

File "D:\SD\webui\modules\processing.py", line 474, in get_conds_with_caching

cache[1] = function(shared.sd_model, required_prompts, steps, hires_steps, shared.opts.use_old_scheduling)

File "D:\SD\webui\modules\prompt_parser.py", line 262, in get_multicond_learned_conditioning

learned_conditioning = get_learned_conditioning(model, prompt_flat_list, steps, hires_steps, use_old_scheduling)

File "D:\SD\webui\modules\prompt_parser.py", line 189, in get_learned_conditioning

conds = model.get_learned_conditioning(texts)

File "D:\SD\system\python\lib\site-packages\torch\utils\_contextlib.py", line 115, in decorate_context

return func(*args, **kwargs)

File "D:\SD\webui\backend\diffusion_engine\sdxl.py", line 89, in get_learned_conditioning

cond_l = self.text_processing_engine_l(prompt)

File "D:\SD\webui\backend\text_processing\classic_engine.py", line 272, in __call__

z = self.process_tokens(tokens, multipliers)

File "D:\SD\webui\backend\text_processing\classic_engine.py", line 305, in process_tokens

z = self.encode_with_transformers(tokens)

File "D:\SD\webui\backend\text_processing\classic_engine.py", line 128, in encode_with_transformers

self.text_encoder.transformer.text_model.embeddings.position_embedding = self.text_encoder.transformer.text_model.embeddings.p...(dtype=torch.float32)

File "D:\SD\system\python\lib\site-packages\torch\nn\modules\module.py", line 1173, in to

return self._apply(convert)

File "D:\SD\system\python\lib\site-packages\torch\nn\modules\module.py", line 804, in _apply

param_applied = fn(param)

File "D:\SD\system\python\lib\site-packages\torch\nn\modules\module.py", line 1159, in convert

return t.to(

RuntimeError: CUDA error: no kernel image is available for execution on the device

CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below might be incorrect.

For debugging consider passing CUDA_LAUNCH_BLOCKING=1.

Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions.

CUDA error: no kernel image is available for execution on the device

CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below might be incorrect.

For debugging consider passing CUDA_LAUNCH_BLOCKING=1.

Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions.

Я не научилась пользоваться Питоном сразу как это вошло в моду, но благо, научилась пользоваться переводчиком в далеком 2011.
Примерно понимаю, что какой-то CUDA (туда) несовместим с Пэйторч. (который, к слову, я через пип качала неоднократно зачем-то) Я вообще мало понимаю что и зачем я делала.
По ссылке я переходила и там качала пэйторч. Или что-то качала. В основном не интуитивно, а по каким-то там гайдам, на авось надеясь, что проблема решится.

В самой диффузии при генерации изображения:

RuntimeError: CUDA error: no kernel image is available for execution on the device CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below might be incorrect. For debugging consider passing CUDA_LAUNCH_BLOCKING=1. Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions.

Ниже приведу инфу по ноуту