I profili hardware indicano a NeuroBrix esattamente come è fatta la vostra macchina — GPU, CPU, memoria, interconnessioni. Il solver Prism legge il profilo e sceglie automaticamente la migliore strategia di esecuzione.
Per impostazione predefinita, NeuroBrix rileva automaticamente tutto l'hardware della vostra macchina:
neurobrix serve --model <name>
# Auto-detects all GPUs, CPU, interconnects
Scrivere un profilo personalizzato quando si vuole:
Si possono considerare i profili un modo per ritagliare una porzione della propria macchina per una specifica istanza di NeuroBrix. È possibile eseguire più istanze sulla stessa macchina, ciascuna con il proprio profilo rivolto a GPU diverse.
neurobrix serve --model <name> --hardware v100-32g
neurobrix serve --model <name> --hardware my-custom-profile
Questi id di profilo sono forniti con il motore e possono essere passati a --hardware:
| Famiglia | Id dei profili |
|---|---|
| NVIDIA datacenter | a100-40g, a100-80g, a10-24g, h100-80g, l40s-48g, t4-16g, v100-16g, v100-32g |
| NVIDIA consumer | rtx2080ti-11g, rtx3060-12g, rtx3080-10g, rtx3090-24g, rtx4080-16g, rtx4090-24g |
| CPU | cpu-only-x86 |
Sono incluse anche varianti multi-GPU di alcuni di questi. Per elencare gli id esatti installati sulla propria macchina, guardare nella cartella dei profili qui sotto.
Un profilo incluso non è una promessa che l'hardware esegua: vedere i tre livelli di onestà in Supporto Hardware. Solo Volta è contrassegnata come validata empiricamente.
I profili sono file YAML nel pacchetto del motore:
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
Usare il nome del file (senza .yml) come argomento di --hardware.
Il caso d'uso più comune: si hanno 4 GPU e se ne vuole dedicare solo una a 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"
Ora è possibile eseguire un secondo modello sulle GPU rimanenti, oppure tenerle libere per l'addestramento.
Profilo multi-GPU completo con interconnessione 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"
NeuroBrix gestisce configurazioni eterogenee di GPU. Prism colloca i componenti più grandi sulla GPU più grande:
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
Per lo sviluppo o per i modelli piccoli:
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"
| Campo | Obbligatorio | Descrizione |
|---|---|---|
id |
Sì | Identificatore univoco del profilo |
vendor |
No | Produttore della macchina (dell, supermicro, ecc.) |
preferred_dtype |
Sì | Dtype di calcolo predefinito |
summary |
Sì | Statistiche rapide per la visualizzazione e suggerimenti al solver |
cpu |
Sì | Informazioni sulla CPU |
devices |
Sì | Elenco dei dispositivi GPU ([] vuoto per sola CPU) |
interconnect |
No | Collegamenti GPU-GPU (omettere per singola GPU/sola CPU) |
pcie_fallback |
No | Specifiche PCIe per la comunicazione tra gruppi |
| Hardware | Consigliato | Perché |
|---|---|---|
| V100, T4, RTX 20 | float16 |
Nessun supporto bf16 |
| A100, RTX 30/40 | float16 o bfloat16 |
Funzionano entrambi, bf16 evita l'overflow |
| H100, H200 | bfloat16 |
Tensor core bf16 nativi |
| CPU (generica) | float32 |
Nessuna accelerazione a mezza precisione |
| CPU con AMX | bfloat16 |
Moltiplicazione di matrici bf16 in hardware |
Attenzione: senza
preferred_dtype, Prism può assegnare fp32 a un modello costruito in fp32, sprecando memoria e throughput. Impostarlo per il proprio hardware.
| Tecnologia | Banda tipica | Caso d'uso |
|---|---|---|
nvlink |
300-900 GB/s | GPU per server (V100 SXM, A100, H100) |
xgmi |
200-400 GB/s | AMD Instinct (MI250X, MI300X) |
pcie |
16-64 GB/s | GPU consumer, configurazioni miste |
neurobrix info --hardware my-custom
neurobrix serve --model <name> --hardware my-custom
Se il profilo contiene errori, NeuroBrix va in crash con un messaggio esplicito (ZERO FALLBACK — nessun valore predefinito silenzioso).
--hardwareSuccessivo: Guida al serving
© 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
Fonte della documentazione: GitHub