# SlackSwap combina transferências e recálculo quando a memória da GPU é limitada

> Investigadores da UC Merced e da Universidade do Texas em Austin apresentaram o SlackSwap, um planeador para treino de aprendizagem profunda. O sistema recalcula algumas ativações quando excede o orçamento de transferência entre a GPU e a memória do anfitrião; os resultados são de simulação, não medições de hardware.

- URL canônica: https://newsverum.com/pt/news/slackswap-activation-memory-gpu-training-2026
- Editora: Newsverum
- Seção: Tecnologia
- País: Estados Unidos
- Publicado: 2026-10-13T01:40:12+00:00
- Atualizado: 2026-10-13T01:40:12+00:00
- Período de análise da fonte: 2026-10-09
- Outras edições: [Türkçe](https://newsverum.com/tr/news/slackswap-activation-memory-gpu-training-2026.md), [English](https://newsverum.com/en/news/slackswap-activation-memory-gpu-training-2026.md), [العربية](https://newsverum.com/ar/news/slackswap-activation-memory-gpu-training-2026.md), [Français](https://newsverum.com/fr/news/slackswap-activation-memory-gpu-training-2026.md), [Español](https://newsverum.com/es/news/slackswap-activation-memory-gpu-training-2026.md), [Deutsch](https://newsverum.com/de/news/slackswap-activation-memory-gpu-training-2026.md)

*A fonte não informa a data do evento; o período exibido corresponde à análise da fonte.*

As ativações intermédias guardadas para a retropropagação podem exceder a memória da GPU durante o treino de redes neuronais. O SlackSwap analisa um passo de treino e usa como orçamento o tempo de transferência que pode ficar oculto durante o cálculo: transfere nesse limite as ativações mais dispendiosas de reconstruir e recalcula as restantes.

Numa simulação de eventos discretos parametrizada para A100 e PCIe 4.0, com orçamento de memória de ativações igual a metade do pico sem limite, o SlackSwap manteve 96,3% do débito ideal para BERT-Large, 97,6% para GPT-2 XL e 99,6% para um modelo do tipo Llama-7B. Os autores afirmam que todos os resultados são simulados e que efeitos como a fragmentação do alocador não foram modelados; não são medições de treino numa GPU física.

## Dados

### Débito de treino simulado

Os resultados são de simulação, não de uma execução numa GPU física.

Metodologia: O estudo avalia três cargas Transformer com um orçamento de memória de ativações de 50% numa simulação de eventos discretos parametrizada para A100 e PCIe 4.0.

| Modelo | Débito face ao ideal |
|---|---|
| BERT-Large | 96.3 |
| GPT-2 XL | 97.6 |
| modelo do tipo Llama-7B | 99.6 |

Fontes: <https://arxiv.org/abs/2610.13003> · Baixar dados: [JSON](https://newsverum.com/api/v1/articles/slackswap-activation-memory-gpu-training-2026/data/simulated-training-throughput?lang=pt&format=json) · [CSV](https://newsverum.com/api/v1/articles/slackswap-activation-memory-gpu-training-2026/data/simulated-training-throughput?lang=pt&format=csv)

## Fontes

- [arXiv](<https://arxiv.org/abs/2610.13003>) (Fonte verificada: 2026-10-13; Publicado: 2026-10-09)

---

Use a URL canônica acima para citar este artigo. [Princípios editoriais e correções](https://newsverum.com/pt/editorial)