Elias traduz a pesquisa por trás das manchetes em linguagem simples.
Guias passo a passo sobre prompts, estilos e como aproveitar ao máximo a geração de imagens com IA.
Ler os guiasEscolha um companheiro e veja o que ele acha dessa história
A Nvidia lançou o Personal AI Router (PAIR), uma ferramenta de software gratuita e de código aberto que conecta múltiplos computadores na sua rede doméstica em um pool de inferência local compartilhado — permitindo executar modelos de linguagem e imagem maiores do que qualquer máquina isolada conseguiria processar.
O PAIR funciona como uma camada de orquestração local — um software que fica entre o seu executor de modelos (Ollama, LM Studio ou um endpoint de API compatível) e os próprios modelos. Ao enviar um prompt, o PAIR verifica qual máquina conectada tem capacidade de processamento disponível e direciona a tarefa para ela, ou a divide entre vários nós caso o modelo suporte isso. Pense nele como um controlador de tráfego para os ciclos de GPU ociosos da sua rede doméstica.
O resultado prático para criadores de arte com IA é significativo. Executar localmente um modelo de texto com 70 bilhões de parâmetros hoje geralmente exige uma GPU com 40 GB ou mais de VRAM — hardware caro — ou aceitar uma geração lenta, apenas com CPU. O PAIR permite que um criador com, digamos, um desktop RTX 4070 e um laptop RTX 3060 mais antigo combine seus orçamentos de VRAM, tornando acessíveis tamanhos de modelos antes impossíveis de executar, sem pagar por uma API na nuvem.
Interface gráfica do Nvidia PAIR mostrando as máquinas domésticas conectadas e o roteamento de inferência ativo.
Imagem: The Verge / The Verge AI
Tanto o Ollama quanto o LM Studio expõem um endpoint de API local compatível com OpenAI — uma interface padronizada com a qual muitos pipelines de geração de imagens e ferramentas de prompt já conseguem se comunicar. O PAIR se encaixa nessa mesma camada, de modo que qualquer fluxo de trabalho já apontado para um servidor Ollama local deve funcionar com o PAIR à frente, sem necessidade de reescrever prompts ou alterar configurações de modelos. A transição se aproxima mais de uma mudança de configuração do que de uma reformulação completa do fluxo de trabalho.
Um prompt roteado pelo PAIR para o modelo Hermes, mostrando como a ferramenta distribui a tarefa de inferência.
Imagem: The Verge / The Verge AI
Para criadores que executam pipelines de geração de imagens que utilizam um LLM local para expansão de prompts ou refinamento de legendas — um padrão comum em fluxos de trabalho do ComfyUI — isso pode significar um retorno mais rápido nessa etapa de pré-processamento, já que a GPU de uma segunda máquina cuida disso enquanto a GPU principal permanece focada na difusão.
De acordo com The Verge, o PAIR também suporta MacBooks como nós, o que amplia o conjunto de máquinas que um criador já pode possuir e contribuir para o cluster.
A arquitetura do Nvidia PAIR, ilustrando como desktops, laptops e outros dispositivos formam um pool de computação local unificado.
Imagem: The Verge / The Verge AI
A Nvidia naturalmente otimiza o escalonamento do PAIR para suas próprias GPUs RTX — a mesma família de hardware abordada no lançamento do Nvidia DLSS 5 no início deste ano. As placas RTX se beneficiam da inferência acelerada por CUDA, portanto processarão tokens e latentes mais rapidamente por watt do que nós somente com CPU. Dito isso, máquinas sem GPU não são excluídas; elas ingressam no pool como contribuidoras de menor prioridade, o que é útil para descarregar tarefas menores de pré-processamento.
Usuários de GPUs AMD e Intel estão em uma posição menos clara. A natureza de código aberto do PAIR significa que drivers comunitários para ROCm ou OpenCL podem surgir, mas a Nvidia não confirmou suporte oficial para arquiteturas de GPU concorrentes no lançamento.
Para criadores que já exploram a execução local de modelos por meio dos guias da Charmloop, o PAIR representa um caminho concreto para escalar sem precisar comprar novo hardware. O teto do que você pode executar localmente acabou de subir — o quanto depende de quantas máquinas você tem ociosas na sua rede.
