NeuroBrix è costruito su tre invarianti di progettazione inviolabili che garantiscono un comportamento prevedibile, debuggabile e universale.
Nessun valore hardcoded in nessun punto del runtime.
Ogni valore proviene da file di configurazione:
topology.json — flusso di esecuzione e connessioni dei componenticomponents/<name>/runtime.json — configurazione runtime del componentecomponents/<name>/graph.json — grafi di calcolo tensorialedefaults.json — parametri configurabili dall'utente (passi, guidance, temperatura)hardware/<profile>.yml — configurazioni GPULe costanti inline come sample_size = 128 sono vietate. Questo significa che lo stesso codice runtime gestisce generazione di immagini, LLM, modelli audio e video senza alcuna logica specifica per modello.
Dati mancanti = crash esplicito, mai valori predefiniti silenziosi.
Se un valore di configurazione richiesto manca, NeuroBrix va in crash immediatamente con un messaggio di errore chiaro che spiega esattamente cosa manca e dove dovrebbe essere definito.
"Gli errori espliciti permettono un debugging rapido. Un valore predefinito può mascherare un bug per settimane."
È voluto: i valori di fallback silenziosi sono all'origine di problemi difficili da diagnosticare in produzione. Un modello che "funziona quasi" è peggio di un modello che fallisce in modo chiaro con errori su cui si può intervenire.
Il runtime conosce i tensori, non i domini.
Il runtime di NeuroBrix non ha alcun concetto di "immagine", "testo", "audio" o di qualsiasi altro dominio. Opera su tensori astratti:
Tensor [B, C, H, W]Tensor [B, SeqLen]float scalareTutto il comportamento specifico di un dominio è codificato nella topologia e nei grafi dei componenti del container .nbx. È ciò che rende NeuroBrix davvero universale: lo stesso runtime gestisce qualsiasi modalità.
Questi tre principi lavorano insieme:
Il risultato: esecuzione universale tra famiglie di modelli senza modifiche, messaggi di errore precisi, comportamento prevedibile senza percorsi di codice nascosti e nessuna modifica al runtime quando si aggiungono nuovi modelli.
Successivo: Model Hub