O que faz a diferença quando você precisa de dados confiáveis de hardware
Dados de desempenho de aceleradores só são úteis quando você sabe como foram produzidos. Essa é a premissa de tudo que a Vértiga Labs publica.
← Voltar ao InícioSeis aspectos que moldam a qualidade dos nossos dados
Metodologia aberta
Cada benchmark publicado vem com documentação completa de ambiente, parâmetros e workload. Nenhum número é apresentado sem contexto.
Independência comercial
Sem vínculos com fabricantes ou distribuidores. A receita vem exclusivamente de assinaturas, o que preserva a neutralidade das análises.
Dados atualizados
Atualizações mensais garantem que a biblioteca reflita o estado atual do portfólio Nvidia, com anotações claras sobre o que mudou entre versões.
Exportável e integrável
Os conjuntos de dados estão disponíveis em formatos abertos, prontos para integração com as ferramentas que sua equipe já usa.
Perfilamento próprio
Além das referências, o kit de perfilamento permite medir seus próprios workloads no hardware disponível — sem enviar dados para fora.
Suporte técnico contextualizado
O suporte é prestado por quem produziu os dados — não por uma central genérica. As dúvidas são respondidas com o contexto do benchmark em mãos.
Uma equipe que opera os bancos de teste, não apenas os cita
Os dados publicados pela Vértiga Labs são produzidos por engenheiros que trabalham diretamente com os ambientes de teste — configurando drivers, ajustando parâmetros e interpretando resultados que fogem ao esperado. Não há intermediários entre o experimento e a publicação.
- Mais de 200 experimentos documentados e revisados
- Cobertura de múltiplas gerações de arquitetura Nvidia
- Equipe com experiência em infraestrutura de ML em produção
chip: H100 SXM5 80GB
workload: transformer-inference
batch_size: 32 | precision: fp16
throughput: 4.82 k tokens/s
mem_peak: 61.4 GB
env: CUDA 12.2 | driver 535.86
O que o kit de perfilamento produz
- Gráfico de utilização de GPU por fase do modelo
- Mapa de uso de memória ao longo da execução
- Perfil de consumo energético por operação
- Identificação de gargalos e operações subutilizadas
- Relatório exportável em JSON e CSV
Instrumentação que funciona no seu pipeline, não no nosso
O kit de perfilamento foi desenvolvido para ser compatível com os frameworks de ML mais usados no Brasil — PyTorch e JAX, principalmente. Ele roda localmente, não transmite dados e produz relatórios em formatos que se integram a ferramentas de observabilidade existentes.
- Compatível com PyTorch, JAX e TensorFlow
- Execução local — nenhum dado sai da sua infraestrutura
- Documentação e configs de exemplo incluídas
Suporte que entende o que você está medindo
Uma dúvida sobre benchmarking raramente é simples. "Por que esse chip tem throughput maior com batch menor?" exige contexto — sobre a arquitetura, o workload e as condições do teste. O suporte da Vértiga Labs é prestado pelas mesmas pessoas que produziram os dados, com acesso completo ao histórico de cada experimento.
- Resposta em até 2 dias úteis (Kit de Perfilamento)
- Resposta em até 8 horas úteis (Suite Corporativa)
- Suporte prestado pela equipe técnica, não por script
Pergunta típica de assinante: "Os números do A100 na biblioteca assumem NVLink ativo?" — Esse tipo de detalhe de configuração é documentado em cada entrada e o suporte pode esclarecer contextos adicionais.
Outro exemplo: "O kit de perfilamento funciona com modelo quantizado em int8?" — Sim, e a documentação cobre os casos de uso mais comuns com exemplos de config.
Vértiga Labs versus abordagens comuns
| Aspecto | Fornecedores típicos | Vértiga Labs |
|---|---|---|
| Origem dos dados | Material de marketing do fabricante | Experimentos próprios documentados |
| Metodologia disponível | ||
| Conflito de interesse | Frequente (vínculo com fabricante) | Sem vínculo comercial com hardware |
| Dados exportáveis | ||
| Perfilamento de workload próprio | Raramente disponível | |
| Histórico de versões |
O que você não encontra em outros lugares
Handbook de metodologia incluído
Assinantes recebem acesso ao manual completo de metodologia — não apenas um resumo. Isso permite que sua equipe avalie se as condições de teste são relevantes para o seu contexto antes de usar os dados em decisões.
Comparador de chips integrado na Suite Corporativa
A Suite Corporativa inclui uma camada de relatórios configurável que permite visualizar múltiplos chips lado a lado, filtrar por workload e exportar os resultados para apresentações internas.
Dados granulares por fase de execução
Não publicamos apenas throughput médio. Os dados incluem comportamento por fase — prefill, decode, atenção — o que é relevante para diagnóstico de gargalos em modelos de linguagem de grande porte.
Anotações sobre comportamento anômalo
Quando um resultado foge ao padrão esperado, não removemos — documentamos. Cada anomalia vem com uma nota explicando a hipótese de causa, o que é frequentemente o dado mais valioso para quem está diagnosticando problemas semelhantes.
O que a Vértiga Labs construiu até agora
Experimentos documentados na biblioteca
Modelos de aceleradores Nvidia cobertos
Equipes de ML assinantes no Brasil
De dados históricos disponíveis para assinantes
Reconhecimento em comunidades de ML
A metodologia de benchmarking da Vértiga Labs foi citada em discussões técnicas em fóruns especializados no Brasil e na América Latina em 2024.
Parceria com universidades
Grupos de pesquisa de ML em universidades mineiras utilizam a biblioteca de referências como baseline em publicações sobre eficiência de inferência.
Frequência de publicação mantida
Desde o lançamento, a biblioteca nunca deixou de receber atualizações mensais — incluindo nos meses de lançamento de novos chips.
Dados que fazem sentido para a sua equipe
Se você ainda tem dúvidas sobre qual produto se encaixa melhor na sua necessidade, entre em contato. Podemos mostrar exemplos reais antes de qualquer comprometimento.
Falar com a Equipe