Inspecteur local d’en-têtes binaires .gguf et config.json (zéro envoi)
Déposez n’importe quel fichier de poids .gguf de 4 Go à 200 Go ou un fichier Transformer config.json directement depuis votre disque. VRAMLab découpe uniquement les 16 premiers Mio dans la mémoire locale du navigateur via DataView pour extraire le nombre exact de couches, les dimensions GQA/MLA, les limites de contexte et les types de quantification en moins de 5 ms — aucun octet ne quitte votre machine.
Sélectionnez un fichier modèle local ou chargez un en-tête d’exemple vérifié
Lit uniquement les octets 0..16,777,216 via File.slice() — les fichiers .gguf de plus de 100 Go s’ouvrent instantanément sans copier l’intégralité des poids en RAM.
Ou testez immédiatement avec des en-têtes binaires synthétiques :
Qwen3-32B-Q4_K_M.gguf (GGUF v3) analysé dans la mémoire locale du navigateur — 0 octet envoyé.
Métadonnées d’architecture et de quantification extraites
Qwen3-32B-Instruct · MOSTLY_Q4_K_M| Clé d’en-tête | Valeur extraite |
|---|---|
general.architecture |
qwen3 |
general.name |
Qwen3-32B-Instruct |
gguf.version |
v3 |
gguf.tensor_count |
707 |
gguf.quantization |
MOSTLY_Q4_K_M |
qwen3.block_count |
64 |
qwen3.embedding_length |
5120 |
qwen3.attention.head_count |
64 |
qwen3.attention.head_count_kv |
8 |
qwen3.context_length |
40960 |
Projection VRAM instantanée depuis l’en-tête extrait
Fonctionnement de l’analyse binaire GGUF v2/v3 sans envoi
Le conteneur binaire GGUF stocke toutes les métadonnées du modèle immédiatement après la signature ASCII de 4 octets ("GGUF" / 0x46554747), l’entier de version 32 bits, le nombre de tenseurs 64 bits et le nombre de paires KV 64 bits — bien avant les blocs de tenseurs quantifiés de plusieurs gigaoctets. En ne découpant que les 16 premiers Mio avec la File API du navigateur, VRAMLab décode les clés UTF-8, les scalaires typés et la taille des tableaux du tokenizer sans lire les poids.
Pour les checkpoints FP16, BF16, FP8 ou AWQ distribués en fragments safetensors, déposer le fichier config.json associé extrait hidden_size, num_hidden_layers, num_key_value_heads, kv_lora_rank, n_routed_experts et sliding_window_pattern afin de dimensionner vos clusters vLLM ou SGLang avant de télécharger des centaines de gigaoctets de poids.
VRAMLab évalue chaque modèle à partir de sa géométrie Transformer vérifiée — en distinguant explicitement l’attention multi-têtes (MHA), l’attention à requêtes groupées (GQA), l’attention latente multi-têtes de DeepSeek (MLA) et les empilements hybrides locaux/globaux à fenêtre glissante — afin d’aligner vos plans de capacité sur les allocations réelles de vLLM, SGLang, Ollama et llama.cpp.