tech · mercado · hardware · software
Software Série Meta Prometheus

O software que mantém 37 mil GPUs treinando

com 32.768 GPUs por job e 37.656 placas contando spares, a Meta levou o tempo entre falhas de 47 mil para 54 mil GPU-horas — com FBOSS, PAFT e Dynamo Dimmer.

O software que mantém 37 mil GPUs treinando

Em meados de 2025, o cluster da Meta registrava cerca de mil interrupções por dia a cada oito mil GPUs. Hoje, o tempo médio entre falhas no Prometheus passa de 54 mil GPU-horas — eram 47 mil, e a meta é 100 mil. A queda no volume de incidentes, no mesmo período, foi de 99%.

Nada disso é conquista de hardware. É software de operação, e é o que a Meta apresentou em 19 de outubro junto com a máquina.

O problema que precisa ser resolvido antes do treino

Um job de fronteira no Prometheus mobiliza 32.768 GPUs em 523 racks e, contando os spares, 37.656 placas. Se cada GPU tiver 1% de chance de apresentar problema num intervalo de horas, o treinamento passa a maior parte do tempo reiniciando. A conta é implacável: em escala, confiabilidade deixa de ser qualidade e vira pré-requisito de cronograma.

A Meta ataca isso em três frentes.

Na rede. O FBOSS é a pilha própria que roda nas malhas — primeiro com roteamento multipath por sub-pacote e controle de fluxo por crédito, depois com uma arquitetura que empurra o balanceamento e o roteamento adaptativo para os endpoints. O argumento da empresa é direto: um switch fechado não permitiria o controle e a velocidade de iteração que o treinamento exige.

No treinamento. O PAFT isola a réplica com defeito, e o resto do job repete o passo e segue — em vez de derrubar tudo. Apoiado nisso, o checkpoint distribuído assíncrono grava gradientes e estado do otimizador em modo delta, com staging em memória, para que a retomada não custe o preço de uma pausa completa.

Na energia. O Dynamo Dimmer ajusta os limites de potência das GPUs perto do teto elétrico do site, em vez de parar o treinamento quando a demanda sobe. É a peça que transforma um transiente de dezenas de megawatts em uma redução gradual.

O trabalho que ninguém vê nos anúncios

Antes de uma placa entrar no pool, ela passa por uma bateria que a Meta detalha e que quase nunca aparece em material de divulgação: burns de diagnóstico L11, stress de fontes sob 1.400 W por GPU, triagem automatizada de mais de 600 mil links NVLink — 200 Gbps por lane, 5.184 pares diferenciais por domínio —, quarentena obrigatória após qualquer reparo e atualização de firmware em mais de 100 mil GPUs em horas. O tempo P90 de upgrade de um pod caiu de 7 horas para 2.

Essa parte é onde o software encontra o limite físico do projeto. A integridade de sinal em 600 mil conexões e o comportamento da memória HBM e LPDDR no GB300 aparecem no relato como os dois gargalos reais de qualificação. Não é uma questão de arquitetura; é de conexão que falha e de pente de memória que não se comporta.

O que o cluster produziu

O Prometheus não é um exercício. A primeira fase treinou a família Muse, e o Muse Wonder foi lançado em 12 de outubro, com pré-treinamento e aprendizado por reforço rodando acima de 90% de goodput.

Os modelos são apresentados como de fronteira para agentes, com dois recursos que a Meta trata como diferenciais. O Active Memory carrega contexto entre conversas, de modo que o assistente não recomece do zero a cada sessão. O Active Focus mantém uma tarefa em andamento por mais tempo: persiste, testa rotas alternativas quando a primeira falha e pede esclarecimento ao usuário quando o pedido está ambíguo.

Nos benchmarks públicos, o Wonder Full marca 56 no Intelligence Index do Artificial Analysis e o Wonder, 52. O Claude Opus 5.5 está em 58 e o GPT-6 Astra em 53. Em tarefas de engenharia de software, o Full lidera o DeepSWE 1.1 e o SWE-Marathon, com 57,5% contra 46,3% do Opus 5.5, e perde em HealthBench Pro, OSWorld V2.1 e Terminal-Bench 4.0. A Meta admite que rodou os concorrentes em regime "best-effort", sem ajuste ideal. No Arena, o modelo ainda não aparece.

Onde o software manda no hardware

Cada geração que entra no Prometheus tem de provar mais que a anterior, e quem define o que precisa ser provado é a camada de confiabilidade.

A passagem de Catalina (GB200) para Clemente (GB300) e depois para San Miguel (Vera Rubin) não é só troca de chip. O aprendizado operacional de uma geração vira requisito de qualificação da seguinte: quais testes de sinal, quais limites de estresse, quais padrões de falha de memória, quanto tempo de quarentena. O software de operação, em outras palavras, escreve a especificação de aceitação do próximo hardware — e isso muda a relação com o fornecedor, que passa a responder por causa-raiz junto com a Meta.

O mesmo raciocínio explica a geometria do rack. O domínio de 72 GPUs dá banda de NVLink para tensor parallelism, mas multiplica por nove o raio de destruição de uma falha em relação a um NVL8. Toda a parafernália — spares dentro do rack, 2% de racks em reserva, PAFT, checkpoint assíncrono — existe para que essa escolha de desempenho não se transforme em instabilidade.

Por que a empresa escolheu publicar goodput

Uma empresa que gasta US$ 130 a 145 bilhões em capex no ano não publica a conta. Publica a eficiência.

É uma escolha coerente com o momento: na véspera do balanço do terceiro trimestre, com margem operacional em 31% contra 43% um ano antes e caixa livre de US$ 784 milhões no trimestre anterior, o número que a Meta precisa que o mercado veja não é o custo por GPU, e sim a fração de tempo em que as GPUs trabalham. 85% no pré-treinamento, 90% no RL, 54 mil horas entre falhas — cada um desses valores é um argumento de retorno sobre capital.

Há um efeito secundário nessa escolha. Ao publicar goodput e MTBI, a Meta define o vocabulário com que o próprio mercado vai comparar clusters. Quem não mede o mesmo, fica sem número.

O que continua fora de alcance

Não há ranking do Muse no Arena, e pode não haver por semanas. Os algoritmos de paralelismo e a posição exata dos checkpoints são segredo de treinamento. O relatório completo de safety foi prometido "em breve". E a receita atribuída ao Muse não é divulgada, porque a empresa reporta por segmento.

O que sobrou de verificável é o bastante para entender a tese: o Prometheus não vende compute, vende disponibilidade. Cada ponto de goodput é dinheiro que deixa de ser desperdiçado num parque que consome centenas de megawatts, e é isso que a Meta tem para mostrar no lugar do custo. Se o modelo que sai dali ganhar tração comercial, a conta fecha. Se não ganhar, o número mais bem cuidado da empresa será o de horas entre falhas.

Veja também

Três gerações da NVIDIA sob o mesmo teto: como o Prometheus é montado As plataformas GB200, GB300 e Vera Rubin, a rede de 20.736 GPUs por prédio e os contratos de energia estão detalhados nesse texto.

Prometheus: onde foi parar o dinheiro da Meta O capex do ano, a margem em queda e o que o balanço de 21 de outubro pode dizer sobre esse investimento estão nesse texto.

Fontes

  • Meta — "Inside Prometheus" (Engineering at Meta) — 19/10/2026 — FBOSS, PAFT, Dynamo Dimmer, qualificação, goodput e MTBI.
  • Meta Newsroom — "Introducing Muse Wonder" — 12/10/2026 — modelos, Active Memory, Active Focus, API e safety.
  • SiliconANGLE, VentureBeat e AI Magazine — cobertura do lançamento do Muse Wonder.
  • Artificial Analysis — Intelligence Index (56 para o Wonder Full, 52 para o Wonder).
  • Benchmarks DeepSWE 1.1, SWE-Marathon, HealthBench Pro, OSWorld V2.1 e Terminal-Bench 4.0 — resultados divulgados com o lançamento e compilados na cobertura citada.

Sobre este texto

Reportagem produzida a partir de um dossiê de investigação com fontes citadas, com auxílio de IA e revisão humana antes da publicação. Não houve acesso ao código, aos modelos ou aos resultados internos da Meta; nenhum teste foi executado por esta redação. Os números de benchmark vêm do lançamento e da cobertura citada, e a ressalva da própria empresa sobre o regime de comparação está registrada no texto.

Explore também