Os perfis de hardware dizem ao NeuroBrix exatamente como é a sua máquina — GPUs, CPU, memória, interligações. O solver Prism lê o perfil e escolhe automaticamente a melhor estratégia de execução.
Por predefinição, o NeuroBrix deteta automaticamente todo o hardware da sua máquina:
neurobrix serve --model <name>
# Auto-detects all GPUs, CPU, interconnects
Escreva um perfil personalizado quando quiser:
Pense nos perfis como uma forma de reservar uma fatia da sua máquina para uma instância específica do NeuroBrix. Pode executar várias instâncias na mesma máquina, cada uma com o seu próprio perfil dirigido a GPUs diferentes.
neurobrix serve --model <name> --hardware v100-32g
neurobrix serve --model <name> --hardware my-custom-profile
Estes ids de perfil vêm com o motor e podem ser passados a --hardware:
| Família | Ids de perfil |
|---|---|
| NVIDIA datacentre | a100-40g, a100-80g, a10-24g, h100-80g, l40s-48g, t4-16g, v100-16g, v100-32g |
| NVIDIA consumidor | rtx2080ti-11g, rtx3060-12g, rtx3080-10g, rtx3090-24g, rtx4080-16g, rtx4090-24g |
| CPU | cpu-only-x86 |
Também existem variantes multi-GPU de alguns destes. Para listar os ids exatos instalados na sua máquina, consulte o diretório de perfis abaixo.
Um perfil incluído não é uma promessa de que o hardware executa: veja os três níveis de honestidade em Suporte de Hardware. Apenas a Volta está marcada como validada empiricamente.
Os perfis são ficheiros YAML no pacote do motor:
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
Use o nome do ficheiro (sem .yml) como argumento de --hardware.
O caso de uso mais comum: tem 4 GPUs e quer dedicar apenas uma ao 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"
Agora pode executar um segundo modelo nas GPUs restantes, ou mantê-las livres para treino.
Perfil multi-GPU completo com interligação 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"
O NeuroBrix lida com configurações heterogéneas de GPUs. O Prism coloca os componentes maiores na GPU maior:
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
Para desenvolvimento ou modelos pequenos:
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 | Obrigatório | Descrição |
|---|---|---|
id |
Sim | Identificador único do perfil |
vendor |
Não | Fabricante da máquina (dell, supermicro, etc.) |
preferred_dtype |
Sim | Dtype de cálculo predefinido |
summary |
Sim | Estatísticas rápidas para apresentação e dicas ao solver |
cpu |
Sim | Informação da CPU |
devices |
Sim | Lista de dispositivos GPU ([] vazio para só CPU) |
interconnect |
Não | Ligações GPU-a-GPU (omitir para GPU única/só CPU) |
pcie_fallback |
Não | Especificações PCIe para comunicação entre grupos |
| Hardware | Recomendado | Porquê |
|---|---|---|
| V100, T4, RTX 20 | float16 |
Sem suporte a bf16 |
| A100, RTX 30/40 | float16 ou bfloat16 |
Ambos funcionam, o bf16 evita overflow |
| H100, H200 | bfloat16 |
Tensor cores bf16 nativos |
| CPU (genérica) | float32 |
Sem aceleração de meia precisão |
| CPU com AMX | bfloat16 |
Multiplicação matricial bf16 em hardware |
Aviso: Sem
preferred_dtype, o Prism pode atribuir fp32 a um modelo que foi construído em fp32, desperdiçando memória e débito. Defina-o para o seu hardware.
| Tecnologia | Largura de Banda Típica | Caso de Uso |
|---|---|---|
nvlink |
300-900 GB/s | GPUs de servidor (V100 SXM, A100, H100) |
xgmi |
200-400 GB/s | AMD Instinct (MI250X, MI300X) |
pcie |
16-64 GB/s | GPUs de consumo, configurações mistas |
neurobrix info --hardware my-custom
neurobrix serve --model <name> --hardware my-custom
Se o perfil tiver erros, o NeuroBrix falha com uma mensagem explícita (ZERO FALLBACK — sem valores predefinidos silenciosos).
--hardwareSeguinte: Guia de Serviço
© 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 da documentação: GitLab