تخبر ملفات تعريف العتاد NeuroBrix بالضبط كيف يبدو جهازك — وحدات GPU والمعالج والذاكرة والوصلات البينية. يقرأ محلّل Prism ملف التعريف ويختار أفضل استراتيجية تنفيذ تلقائيًا.
افتراضيًا، يكتشف NeuroBrix كل العتاد على جهازك تلقائيًا:
neurobrix serve --model <name>
# Auto-detects all GPUs, CPU, interconnects
اكتب ملف تعريف مخصصًا عندما تريد:
فكّر في ملفات التعريف كطريقة لاقتطاع شريحة من جهازك لنسخة NeuroBrix محددة. يمكنك تشغيل عدة نسخ على الجهاز نفسه، لكل منها ملف تعريفها الخاص الذي يستهدف وحدات GPU مختلفة.
neurobrix serve --model <name> --hardware v100-32g
neurobrix serve --model <name> --hardware my-custom-profile
تأتي معرّفات ملفات التعريف هذه مع المحرك ويمكن تمريرها إلى --hardware:
| العائلة | معرّفات ملفات التعريف |
|---|---|
| مراكز بيانات NVIDIA | a100-40g, a100-80g, a10-24g, h100-80g, l40s-48g, t4-16g, v100-16g, v100-32g |
| NVIDIA للمستهلكين | rtx2080ti-11g, rtx3060-12g, rtx3080-10g, rtx3090-24g, rtx4080-16g, rtx4090-24g |
| المعالج المركزي | cpu-only-x86 |
تأتي أيضًا نسخ متعددة الـ GPU من بعضها. اعرض المعرّفات الدقيقة المثبتة على جهازك بالنظر في مجلد ملفات التعريف أدناه.
ملف التعريف المرفق ليس وعدًا بأن العتاد يُنفَّذ عليه: انظر مستويات الصدق الثلاثة في دعم العتاد. وحدها Volta موسومة بأنها مُتحقَّق منها تجريبيًا.
ملفات التعريف هي ملفات YAML في حزمة المحرك:
neurobrix/config/hardware/ # inside the installed package
├── default.yml # Auto-generated by detection (default-cpu.yml with no GPU)
├── v100-32g.yml # Bundled
├── ...
└── my-custom.yml # Your custom profile
استخدم اسم الملف (دون .yml) كقيمة للمُعامل --hardware.
الحالة الأكثر شيوعًا: لديك 4 وحدات GPU وتريد تخصيص وحدة واحدة فقط لـ NeuroBrix:
id: single-v100-32g
preferred_dtype: float16
summary:
total_gpus: 1
total_vram_gb: 32.0
total_ram_gb: 251.5
topology: Single-GPU
cpu:
model: "Intel(R) Xeon(R) Gold 6230 CPU @ 2.10GHz"
cores: 40
threads: 80
ram_mb: 257530
architecture: x86_64
features: [avx2, avx512f, fma]
devices:
- index: 0
brand: nvidia
model: Tesla V100-SXM2-32GB
memory_mb: 32768
compute_capability: "7.0"
supports_dtypes: [float32, float16]
architecture: volta
pcie_version: "3.0"
notes: "Single V100 32GB — other GPUs reserved for training"
يمكنك الآن تشغيل نموذج ثانٍ على وحدات GPU المتبقية، أو إبقاؤها حرة للتدريب.
ملف تعريف كامل لعدة GPU مع وصلة NVLink:
id: my-2xv100-32g
vendor: dell
preferred_dtype: float16
summary:
total_gpus: 2
total_vram_gb: 64.0
total_ram_gb: 251.5
topology: Multi-GPU
cpu:
model: "Intel(R) Xeon(R) Gold 6230 CPU @ 2.10GHz"
cores: 40
threads: 80
ram_mb: 257530
architecture: x86_64
features: [fma, avx2, avx512f, avx512_vnni]
devices:
- index: 0
brand: nvidia
model: Tesla V100-SXM2-32GB
memory_mb: 32768
compute_capability: "7.0"
supports_dtypes: [float32, float16]
architecture: volta
pcie_version: "3.0"
- index: 1
brand: nvidia
model: Tesla V100-SXM2-32GB
memory_mb: 32768
compute_capability: "7.0"
supports_dtypes: [float32, float16]
architecture: volta
pcie_version: "3.0"
interconnect:
groups:
- index: 0
members: [0, 1]
type: full_mesh
tech: nvlink
bandwidth_gbps: 300
pcie_fallback:
version: "3.0"
lanes: 16
bandwidth_gbps: 32
notes: "2 x V100 SXM2 32GB with NVLink, Dell C4140"
يتعامل NeuroBrix مع إعدادات GPU غير المتجانسة. يضع Prism المكوّنات الأكبر على GPU الأكبر:
devices:
- index: 0
brand: nvidia
model: Tesla V100-SXM2-16GB
memory_mb: 16384
compute_capability: "7.0"
supports_dtypes: [float32, float16]
architecture: volta
- index: 1
brand: nvidia
model: Tesla V100-SXM2-32GB
memory_mb: 32768
compute_capability: "7.0"
supports_dtypes: [float32, float16]
architecture: volta
للتطوير أو النماذج الصغيرة:
id: cpu-workstation
preferred_dtype: float32
summary:
total_gpus: 0
total_vram_gb: 0
total_ram_gb: 32.0
topology: CPU-Only
cpu:
model: "AMD Ryzen 9 7950X"
cores: 16
threads: 32
ram_mb: 32768
architecture: x86_64
features: [avx2, fma]
devices: []
notes: "CPU-only workstation, no discrete GPU"
| الحقل | مطلوب | الوصف |
|---|---|---|
id |
نعم | معرّف فريد لملف التعريف |
vendor |
لا | مصنّع الجهاز (dell وsupermicro وغيرهما) |
preferred_dtype |
نعم | نوع بيانات الحساب الافتراضي |
summary |
نعم | إحصاءات سريعة للعرض وتلميحات للمحلّل |
cpu |
نعم | معلومات المعالج المركزي |
devices |
نعم | قائمة أجهزة GPU ([] فارغة للمعالج المركزي فقط) |
interconnect |
لا | وصلات GPU-إلى-GPU (احذفه عند GPU واحد أو المعالج المركزي فقط) |
pcie_fallback |
لا | مواصفات PCIe للاتصال بين المجموعات |
| العتاد | الموصى به | السبب |
|---|---|---|
| V100, T4, RTX 20 | float16 |
لا دعم لـ bf16 |
| A100, RTX 30/40 | float16 أو bfloat16 |
كلاهما يعمل، ويتجنب bf16 الفيض (overflow) |
| H100, H200 | bfloat16 |
نوى تنسور أصلية لـ bf16 |
| المعالج المركزي (عام) | float32 |
لا تسريع للدقة النصفية |
| المعالج المركزي مع AMX | bfloat16 |
ضرب مصفوفات bf16 بالعتاد |
تحذير: دون
preferred_dtypeقد يسند Prism النوع fp32 إلى نموذج بُني بـ fp32، مما يهدر الذاكرة والإنتاجية. اضبطه لعتادك.
| التقنية | عرض النطاق النموذجي | حالة الاستخدام |
|---|---|---|
nvlink |
300-900 GB/s | وحدات GPU للخوادم (V100 SXM وA100 وH100) |
xgmi |
200-400 GB/s | AMD Instinct (MI250X وMI300X) |
pcie |
16-64 GB/s | وحدات GPU للمستهلكين، والإعدادات المختلطة |
neurobrix info --hardware my-custom
neurobrix serve --model <name> --hardware my-custom
إذا كان في ملف التعريف أخطاء، يتوقف NeuroBrix برسالة صريحة (ZERO FALLBACK — لا قيم افتراضية صامتة).
--hardwareالتالي: دليل الخدمة
© 2025–2026 Hocine Benkelaya. NeuroBrix engine released under the Apache License 2.0.
Developed by Hocine Benkelaya · Supported and funded by Neural Network Holding Ltd · Commercial distribution by WizWorks OÜ
مصدر التوثيق: GitLab