hearth
Hearth es una plataforma de observabilidad autoadministrable para clusters de computación de IA en casa. Permite monitorear múltiples modelos (vLLM, llama.cpp, SGLang, Ollama) y gateways LiteLLM desde un único panel con métricas reales sin necesidad de licencias empresariales.
Ficha actualizada 23 sept 2026, 2:26 · upstream 23 sept 2026, 2:17 · release v0.1.1-alpha
Qué es hearth
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Hearth es una herramienta de observabilidad para clusters de computación de IA en casa. Permite visualizar el estado de múltiples nodos, modelos y servicios en un solo panel de control. Se basa en la infraestructura existente del usuario (Docker, LiteLLM) y proporciona métricas reales sin necesidad de licencias empresariales. La interfaz visual está diseñada con estética minimalista similar a una pantalla Apple Pro Display, lo que facilita el uso diario.
- Monitoreo de múltiples modelos LLM (vLLM, llama.cpp, SGLang) en un solo dashboard
- Observación de rendimiento y latencia de inferencia por modelo
- Monitorización de entrenamiento distribuido con detección de colisiones colectivas
- Seguimiento de consumo energético y temperatura de GPU
- Alertas automáticas sobre fallos de servicio o degradaciones de rendimiento
- Monitoreo honesto: muestra datos reales sin inventar métricas que no existen en el backend
- Auto-descubrimiento: detecta modelos y servicios desde la API LiteLLM sin configuración manual
- Observabilidad de entrenamiento: rastrea pérdida, gradiente norm, throughput por rank y colisiones colectivas
- Diseño Apple Pro Display: interfaz minimalista con tablas numéricas y anillos de estado
- Multi-tenant: permite múltiples modelos en un solo cluster sin necesidad de infraestructura adicional
- No soporta modelos que no exponen métricas (por ejemplo, Ollama nativo carece de /metrics)
- La detección de colisiones colectivas requiere hardware compatible con DCGM o node_exporter
- El monitoreo del entrenamiento depende de que el usuario escriba un archivo de TensorBoard o prometa JSON
- No incluye gestión de modelos ni control de producción (solo observación)
- La detección de colisiones colectivas puede fallar en GPUs con memoria limitada
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requiere Docker y Docker Compose. Se recomienda instalar Prometheus + DCGM exporter por cada GPU para obtener métricas completas. El proyecto está en estado alpha; la configuración se gestiona mediante YAML declarativo. Para clusters multi-nodo, consultar el documento de topología.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.