Usamo-lo todos os dias

Arrefecimento

Controlo da ventoinha da GPU

A tarefa, na captura 1: a ventoinha da GPU está ligada à placa-mãe; deve seguir a temperatura da GPU, rodar no máximo durante um minuto para confirmar que o controlo funciona, depois receber níveis ótimos, e após um reinício tudo deve funcionar automaticamente.

1. 1
   Pedido

   Uma mensagem normal no Telegram, sem comandos técnicos.

2. 2
   Reconhecimento

   Primeiro, sem direitos de administrador, o agente apurou: placa Z10PA-U8, GPU Tesla P100, temperatura da GPU legível (39 °C), mas ainda nada com que controlar a ventoinha. Pediu os direitos de administrador com um único comando e expôs o plano. Com acesso, encontrou o chip Nuvoton NCT7904D (9 entradas de tacómetro, 4 canais PWM) e, levando cada canal de 0 a 255, fez a correspondência: pwm2 → fan5, até ~5300 RPM, que é a turbina da P100. Os outros três canais ficaram no automático da BIOS.

3. 3
   Um minuto no máximo

   pwm2 = 255 durante 60 segundos: em 5 segundos a fan5 passou de 1468 para 5294–5421 RPM e a GPU desceu de 37 para 31 °C. Depois o controlo voltou à curva (255 → 195 → 90); as leituras do tacómetro confirmam que funciona.

4. 4
   Curva

   ≤35 °C → 35%, 45 °C → 47%, 60 °C → 67%, 75 °C → 86%, ≥85 °C → 100% (a P100 reduz as frequências aos 91 °C, por isso fica margem). A velocidade muda de forma suave, no máximo ±15% a cada 5 segundos; se o nvidia-smi deixar de responder, a ventoinha passa ao modo de emergência de ~78%.

5. 5
   Reinício

   O controlador carrega automaticamente e o controlo funciona como serviço com arranque automático. O agente reiniciou mesmo a máquina e verificou tudo de raiz: módulo carregado, serviço ativo, fan5 a 1319 RPM, GPU a 35 °C.

• Da nossa parte: um comando para dar direitos de administrador, a resposta «Ready» e uma confirmação durante o trabalho.
• ≈ 30 minutos (06:26–06:57 segundo as capturas)

Configuração

Pergunta técnica, por voz

Uma tarefa prática: com uma mensagem de voz perguntámos como o sistema está montado. Respondeu com dados reais das nossas máquinas: hardware, discos, modelo de IA e velocidade. Se algum ponto não estiver claro, basta perguntar logo o que significa.

O que a resposta mostra: duas máquinas, claryel01 e P2002; processador, memória, GPU e discos; versões do software; modelo de IA; velocidade medida.

Neste trabalho, o modelo de reserva era externo (Grok) e não tinha filtro. Para o nosso sistema local isso não é aceitável, por isso o modelo de reserva foi substituído por um segundo modelo local. Hoje os modelos na nuvem só são chamados através do filtro e, quando necessário, após a confirmação explícita do utilizador.

Um termo técnico não está claro? Pergunte logo ao sistema, diretamente na conversa: ele explica-o em palavras simples.

Parque de máquinas

Três máquinas, um só agente

O pedido, na captura 1 (07:47): para cada máquina com Strata, tamanho e tipo de memória, NVMe, GPU e memória de vídeo, versão da Strata, modelo, versão do agente e velocidade do modelo nessa máquina; resposta curta e em inglês.

O agente analisou sozinho a rede e confirmou que há três máquinas (os outros endereços são uma impressora e a porta Wi-Fi do Mac). As três usam a Strata v0.1.45 com o mesmo modelo Qwen3.8-Flash-Next IQ3_S (contexto 262 144), por isso as respostas são coerentes seja qual for a máquina que responde.

Velocidade de geração: P2002 46.8 tok/s, Mac Studio 60.0 tok/s (a mais rápida), P1005 16.2 tok/s: um modelo de 78 GB com 31 GB de memória, por isso esta máquina trata das tarefas em segundo plano. As três são comandadas por uma única instância do agente no claryel01; a reserva segue a cadeia P2002 → Mac Studio → Grok.

Neste trabalho, o modelo de reserva era externo (Grok) e não tinha filtro. Para o nosso sistema local isso não é aceitável, por isso o modelo de reserva foi substituído por um segundo modelo local. Hoje os modelos na nuvem só são chamados através do filtro e, quando necessário, após a confirmação explícita do utilizador.

Instalação

Strata numa máquina nova: o agente superou sozinho todos os obstáculos

Não existe build pronta para Mac: o motor Metal compila-se a partir do código-fonte (~5–15 min). A build 0.1.45 para Mac estava avariada; o agente encontrou a PR aberta #2895, aplicou-a à versão e a recompilação correu bem.

O modelo de 79 GB: pelo HuggingFace via Starlink seriam ~6,5 MB/s (~3,4 h), por isso o agente copiou-o com rsync a partir do P2002 através do reencaminhamento do agente SSH, em 2 h 05 min. Depois, cada pedido ao motor devolvia 400; o agente encontrou no código-fonte a solução --no-prefill-borrow.

Resultado: o Mac ≈ P2002 na geração (~58 contra ~57 tok/s) e claramente mais rápido no prefill (+36%). O agente guardou todos os obstáculos na skill strata-mac-deploy, por isso repetir é quase copiar.

Atualização

O agente atualizou o motor do seu próprio «cérebro»

Pergunta (04:30): que versão do Strata usa o «cérebro» e qual é a mais recente no GitHub. Resposta: o P2002 tem a v0.1.43.1, a mais recente é a v0.1.45 (lançada a 17 de outubro de 2026). O agente avisou que a atualização reiniciaria o motor onde ele próprio trabalha: alguns minutos de paragem, com reversão como garantia.

Ao comando «atualiza-te» (04:31), o agente lançou a atualização separada de si próprio: git pull → compilação do motor HIP 0.1.45 → reinício do serviço, enquanto um vigilante verifica o motor durante 5 minutos e volta à 0.1.43.1 se este não arrancar. A compilação foi limpa (34 MB, 0 erros), mas a substituição do ficheiro em uso falhou («Text file busy») e o motor parou. O agente guardou o ficheiro antigo como reserva, instalou o novo manualmente e reiniciou o serviço.

Verificação (04:50): corre a v0.1.45, modelo Qwen3.8-Flash-Next IQ3_S, contexto 262 144. Velocidade com o mesmo script: resposta curta 31,0 (antes 33,5–33,7), geração de 1024 tokens 47,7 / 44,4 (antes 53,0–60,1), prefill de 1,5K 874 / 531 (antes 488–490). Leitura do agente: prefill claramente melhor, geração ~10–20% mais baixa em duas medições; com apenas duas execuções não lhe chama regressão e propõe mais 3–4 medições e o regresso à 0.1.43.1 se a lentidão se confirmar.

Neste trabalho, o modelo de reserva era externo (Grok) e não tinha filtro. Para o nosso sistema local isso não é aceitável, por isso o modelo de reserva foi substituído por um segundo modelo local. Hoje os modelos na nuvem só são chamados através do filtro e, quando necessário, após a confirmação explícita do utilizador.

Monitorização

Verificação matinal da casa e dos computadores

A combinação da imagem: Strata v0.1.43 + Qwen3.8-Flash-Next (IQ3_S) + o agente. O agente lê os sensores do Home Assistant (temperatura, humidade, movimento, luz, energia) e verifica cópias de segurança, discos e temperatura dos computadores. Falamos com ele pelo Telegram.

O que a verificação encontrou: a sala dos computadores está a 28,8 °C, bem mais quente do que as outras divisões, por isso convém verificar a ventilação e o arrefecimento; as pilhas dos sensores do escritório (20%) e do terraço (30%) têm de ser trocadas; o sensor da porta «Leo» indica ON, mas o valor pode estar desatualizado e deve ser verificado no local.

O Viktor nem sequer abriu a interface do Home Assistant. Ferramentas de apoio nesse dia: o ChatGPT desenhou a imagem da publicação, o ChatGPT Go + Codex ajudaram na configuração e o agente recorria de vez em quando ao Grok 4.7 como modelo adicional para raciocínios complexos.

Neste trabalho, o modelo de reserva era externo (Grok) e não tinha filtro. Para o nosso sistema local isso não é aceitável, por isso o modelo de reserva foi substituído por um segundo modelo local. Hoje os modelos na nuvem só são chamados através do filtro e, quando necessário, após a confirmação explícita do utilizador.

Uma ilustração da publicação, não uma captura de ecrã.

Velocidade do modelo

31 tok/s com a RAM quase livre: o modelo é lido do SSD

Definições: modelo Qwen3.8-Flash-Next IQ3_XXS (~47 GB), contexto 64K (65 536 tokens), cache KV de 8 bits, modo low-RAM: parte dos «especialistas» do modelo é lida do SSD. Placa gráfica AMD Radeon RX 9070, ~16 GB.

O resultado no monitor do Strata: 12 136 tokens em 396,3 s, geração 31,0 tok/s, VRAM 15,7 de 16 GB, RAM 3,2 de 31 GB, GPU 45 °C. Na memória de vídeo estão 5681 «especialistas» (9,2 GB); o resto é lido do disco.

Conclusão: um modelo grande funciona sem enormes quantidades de RAM, porque o motor mantém o mais necessário na memória de vídeo e lê o resto de um SSD rápido. É um caminho para computadores muito mais acessíveis para IA local.

Velocidade do modelo

Contexto de 256K: 26 pedidos numa única placa gráfica de 16 GB

O objetivo era simples: perceber como automatizar mais tarde estas execuções em hardware diferente e como apresentar os resultados para comparação. Máquina: Intel Core Ultra 7 270K Plus, 31 GB de RAM, AMD Radeon 16 GB.

O balanço desde domingo de manhã (09:44): 26 pedidos, 169 326 tokens de prompt lidos a 108 tok/s (mais 1 923 247 retirados da cache da conversa), 166 539 tokens escritos a uma média de 20,5 tok/s. O contexto está 62% cheio (162k de 256k).

Nem tudo correu bem: a lista mostra um pedido «Closed» e outro «Stopped». O vídeo da publicação original mostra o modelo a escrever uma resposta técnica longa; lá o Viktor também explica o que falhou.

Velocidade do modelo

Mais RAM: 45 tok/s num contexto de 164 000 tokens

Computador: Intel Core Ultra 7 270K Plus (24 threads), AMD Radeon 16 GB, 62 GB de RAM, contexto 262 144 tokens. Agora o motor também usa a RAM: 53,5 de 62 GB ocupados.

Dois pedidos de cerca de 162 000 tokens cada: o primeiro foi lido a 1176 tok/s, geração 48,3 tok/s; o segundo veio quase todo da cache da conversa (162 199 tokens), geração 45,2 tok/s.

O compromisso é claro: com mais RAM a geração é bem mais rápida, mas sobra menos memória para outras tarefas. Com 31 GB o motor quase não tocava na RAM e o computador ficava livre para outro trabalho.

Velocidade do modelo

Um Xeon antigo e uma Tesla P100: 19–27 tok/s

O modelo não cabe na RAM e funciona a partir da memória de vídeo (15,7 de 16 GB) e de um disco NVMe via PCIe 3.0. O processador está a cerca de 45% e a RAM quase livre: o computador pode ser usado também para outro trabalho.

No monitor: geração atual 26,9 tok/s; no histórico de pedidos, 19,3 tok/s numa resposta curta (253 tokens) e 25,3 tok/s numa longa (12 686 tokens em 504,1 s). Placa gráfica a 36 °C, 97 W de 250.

Para nós é a referência-chave de preço: mesmo hardware antigo e barato, com o motor bem configurado, já serve para trabalho real.