Inspetor Local de Cabeçalhos Binários .gguf e config.json (Zero Upload)
Arraste qualquer arquivo de pesos .gguf de 4 GB a 200 GB ou config.json de Transformer direto do disco. O VRAMLab lê apenas os primeiros 16 MiB na memória local do navegador via DataView para extrair contagens exatas de camadas, dimensões GQA/MLA, limites de contexto e tipos de quantização em menos de 5ms — zero bytes saem da sua máquina.
Selecione um Arquivo Local de Modelo ou Carregue um Cabeçalho de Exemplo
Lê apenas os bytes 0..16.777.216 via File.slice() — arquivos .gguf acima de 100 GB abrem instantaneamente sem copiar os pesos completos para a RAM.
Ou teste imediatamente com cabeçalhos binários sintéticos:
Qwen3-32B-Q4_K_M.gguf (GGUF v3) analisado na memória local do navegador — 0 bytes enviados.
Metadados Extraídos de Arquitetura e Quantização
Qwen3-32B-Instruct · MOSTLY_Q4_K_M| Chave do Cabeçalho | Valor Extraído |
|---|---|
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 |
Projeção Instantânea de VRAM a partir do Cabeçalho Extraído
Como Funciona a Análise Binária GGUF v2/v3 Sem Upload
O contêiner binário GGUF armazena todos os metadados do modelo logo após a assinatura ASCII de 4 bytes ("GGUF" / 0x46554747), o inteiro de versão de 32 bits, a contagem de tensores de 64 bits e a contagem de pares KV de 64 bits — muito antes dos blocos de tensores quantizados de vários gigabytes. Fatiando apenas os primeiros 16 MiB com a File API do navegador, o VRAMLab decodifica chaves UTF-8, escalares tipados e tamanhos de vocabulário sem ler os tensores.
Para checkpoints FP16, BF16, FP8 ou AWQ distribuídos em fragmentos safetensors, soltar o config.json correspondente extrai hidden_size, num_hidden_layers, num_key_value_heads, kv_lora_rank, n_routed_experts e sliding_window_pattern para dimensionar clusters vLLM ou SGLang antes de baixar centenas de gigabytes de pesos.
O VRAMLab avalia cada modelo a partir da geometria verificada do seu transformer — diferenciando explicitamente Multi-Head Attention (MHA), Grouped-Query Attention (GQA), DeepSeek Multi-head Latent Attention (MLA) e pilhas híbridas de janela deslizante local/global — para que o planejamento de capacidade reflita alocações reais no vLLM, SGLang, Ollama e llama.cpp.