Does the ZimaCube 2 PCIe slot provide enough power for a GPU?

Yes — for slot-powered cards up to 75W. The Intel Arc Pro B50 (50W TDP) and similar low-power GPUs run entirely off PCIe slot power. The ZimaCube 2 PCIe slots do not route auxiliary power cables, so you need to choose a card that does not require them. The B50, NVIDIA RTX A2000, and Intel Arc A310/A380 are all viable options.

What GPU would you recommend for the ZimaCube 2?

For AI inference specifically, prioritize VRAM over compute. The Intel Arc Pro B50 (16GB) and NVIDIA RTX A2000 (12GB) are the best slot-powered options currently available. For media transcoding only, the Intel Arc A310 or A380 are cheaper and still provide hardware AV1 encoding. Avoid any GPU that requires a 6-pin or 8-pin power connector.

Can I run a ZimaCube 2 with a GPU 24/7 without thermal issues?

Yes. The ZimaCube 2 thermal design separates the CPU/PCIe zone from the drive zone. The Arc Pro B50 is a 50W card — it does not generate enough heat to overwhelm the chassis. Under sustained inference load, GPU temperatures stay within normal operating range without additional cooling modifications.

Can the ZimaCube 2 run both shared storage and AI workloads at the same time?

Yes. The original build described here uses the ZimaCube 2 as both the Proxmox cluster NFS/ZFS storage backend and a local AI inference server with llama.cpp and OpenClaw. The GPU VRAM handles model weights independently of system memory, and the NVMe storage pools ensure VM I/O is not bottlenecked by inference workloads.

What is the largest model I can run on a 16GB GPU in the ZimaCube 2?

A 16GB GPU like the Intel Arc Pro B50 can comfortably run quantized 13B–14B parameter models (Q5_K_M or Q4_K_M quants) with 4K–8K context windows, or 20B–34B models at lower quantization levels. For most self-hosted AI use cases — code assistance, document summarization, home automation NLP — a well-tuned 13B model with good quantization is the sweet spot.

Coloquei uma GPU Intel Arc no ZimaCube 2 — IA Local Sem Um Único Cabo Extra

Eva Wong

IceWhale author

Eva Wong é a Redatora Técnica e e entusiasta residente na ZimaSpace. Uma geek de longa data com paixão por homelabs e software de código aberto, ela é especialista em traduzir conceitos técnicos complexos em guias acessíveis e práticos . Eva acredita que o auto-hospedagem deve ser divertida, não intimidante. Através dos seus tutoriais, ela capacita a comunidade adesmistificar configurações de hardware , desde a construção do seu primeiro NAS até dominar os contêineres Docker., from building their first NAS to mastering Docker containers.

I Put an Intel Arc GPU in the ZimaCube 2 — Local AI Without a Single Extra Cable - Zima Store Online

Não comprei o ZimaCube 2 para IA. Comprei-o para ser o backend de armazenamento do meu cluster Proxmox.

Mas depois reparei no slot PCIe x16. E no facto de funcionar inteiramente com energia da motherboard — sem 6 pinos, sem 8 pinos, sem cabos adaptadores. Apenas energia do slot. Isso mudou as contas.

Depois de instalar uma Intel Arc Pro B50, o ZimaCube 2 está agora a correr llama.cpp e OpenClaw para inferência local — juntamente com o seu trabalho diário como cérebro do armazenamento partilhado do cluster. Aqui está a história completa: porque escolhi a B50, como correu a instalação, o que o ZimaOS Beta trouxe, e o que isto significa para quem considera uma atualização de GPU no ZimaCube 2.

Porquê a Intel Arc Pro B50

Escolher uma GPU para um NAS compacto não é como escolher uma para um desktop de jogos. Tem três restrições rígidas:

Energia apenas pelo slot. Os slots PCIe do ZimaCube 2 não têm cabos de alimentação auxiliares. A GPU tem de funcionar inteiramente com o que a motherboard fornece — máximo 75W.
Perfil baixo ou slot único. O chassis mede 240 × 221 × 220 mm. Uma placa de altura total e slot duplo não cabe fisicamente.
Silenciosa e fresca. Esta placa funciona 24/7 num espaço habitacional. Sem ventoinhas de soprador, sem throttling térmico em repouso.

A Intel Arc Pro B50 cumpriu todos os requisitos:

Requisito	Arc Pro B50
Energia apenas pelo slot	✅ 50W TDP — funciona inteiramente pelo slot PCIe (sem cabos)
Perfil baixo	✅ Slot único, suporte de meia altura incluído
VRAM para IA	✅ 16GB GDDR6 — suficiente para modelos de 13B–20B parâmetros
Codificação AV1	✅ Codificação/decodificação AV1 por hardware
Preço por VRAM	✅ Melhor VRAM por dólar na sua classe

💡 16GB de VRAM são importantes para IA local. É a diferença entre executar um modelo quantizado de 7B e encaixar um modelo completo de 13B–14B com contexto. Se vai adicionar uma GPU a um NAS especificamente para inferência, a capacidade de VRAM importa mais do que o poder de computação bruto. O B50 16GB a este preço foi a escolha certa.

Placa gráfica Intel Arc B50 16GB PCIe GPU com cooler de soprador único, portas de saída multi-ecrã para inferência local de IA em NAS

A Instalação: Um Slot, Sem Cabos, Concluído

A instalação física demorou menos de dez minutos.

Abra o painel superior — as ranhuras PCIe estão mesmo ali, sem gaiolas de discos a contornar. A B50 desliza na ranhura x16. O suporte de meia altura alinha-se com a abertura traseira. Aperte um parafuso. Feche o painel. Está feito.

Sem cabos de alimentação. Sem adaptadores. Sem enfiar cabos em espaços onde não cabem. A implementação PCIe do ZimaCube 2 é realmente limpa — a ranhura está posicionada com espaço suficiente acima das baias de armazenamento para que mesmo uma placa de slot duplo não interfira com o armazenamento.

Isto não é garantido em hardware NAS compacto. A maioria dos dispositivos neste formato nem sequer tem PCIe. Os que têm, muitas vezes colocam a ranhura em posições que limitam o que se pode instalar. A IceWhale acertou no layout aqui.

ZimaOS Beta: Suporte Nativo ao Driver Arc

Planeava apagar o ZimaOS e instalar o Ubuntu Server. Depois a IceWhale contactou-me com uma versão Beta do ZimaOS que inclui suporte nativo ao driver Intel Arc GPU.

🎁 Isto merece destaque: a IceWhale está a enviar ativamente versões Beta para os testadores do Programa Pioneer em resposta ao feedback da comunidade. A integração do driver Arc não estava no roadmap original — aconteceu porque os utilizadores o pediram. Esse tipo de resposta é importante quando se constrói numa plataforma.

A versão Beta trata automaticamente da deteção do driver. No primeiro arranque após instalar a B50, o ZimaOS reconheceu a placa, carregou o driver Intel i915 com extensões Arc e expôs-o ao runtime do Docker. Sem compilação de módulo do kernel. Sem ajustes no GRUB. Funcionou imediatamente.

O que estou a executar: llama.cpp + OpenClaw

Com a GPU reconhecida, implementei dois containers:

llama.cpp (inferência acelerada por GPU)

Modelo: Mistral 13B Q5_K_M (cabe em ~12GB de VRAM com contexto 8K)
Backend: Intel SYCL (GPU Arc)
Casos de uso: Revisão de código, sumarização de documentação, chatbot local, processamento de linguagem natural para automação doméstica

Banner do logótipo do framework de inferência de modelo de linguagem grande open source LLaMA C++ em fundo escuro

OpenClaw (gateway de IA local)

Ponto de extremidade API unificado para múltiplos modelos locais
Encaminha pedidos entre o llama.cpp e modelos menores baseados em CPU
Liga-se ao Home Assistant para consultas de casa inteligente controladas por voz

O desempenho é exatamente o que esperaria de uma placa de slot único de 50W: não é uma GPU de data center, mas rápida o suficiente para ser realmente útil. O Mistral 13B gera cerca de 25–35 tokens por segundo — mais rápido que a velocidade de leitura, que é o limite que faz a AI local parecer responsiva em vez de penosa.

Logótipo da mascote vermelha do OpenClaw, ferramenta crawler open source auto-hospedada, com fundo coral

Manter o trabalho diário: backend de armazenamento + AI numa só máquina

Aqui está o que não fiz: não sacrifiquei o propósito original do ZimaCube 2. Os pools de armazenamento que servem o cluster Proxmox ainda estão lá. Os snapshots ZFS continuam a ser executados conforme o planeado. Os contenores Docker que alimentam a infraestrutura não foram movidos.

O que mudou é que o ZimaCube 2 agora faz duas coisas ao mesmo tempo:

Camada de armazenamento

4× HDD RAID-Z1 (dados em massa)
2× NVMe RAID 1 (imagens VM)
1× NVMe SLOG/L2ARC (cache)
Exportações NFS para 3 nós Proxmox
Automação de snapshots ZFS

Camada AI

llama.cpp com Mistral 13B
Gateway AI OpenClaw
Assistente de revisão de código
Sumarização de documentos
Integração NLP com Home Assistant

Os 40GB de RAM (8GB de origem + 32GB de atualização) são divididos: cerca de 24GB para ZFS ARC, 8GB para contenores Docker e ZimaOS, e 8GB para overhead do sistema. Os 16GB de VRAM da GPU tratam dos pesos do modelo independentemente — não competem com a memória do sistema.

A carga da CPU durante a inferência é mínima, pois o llama.cpp descarrega para a GPU. O desempenho de I/O do armazenamento não é afetado porque os pools NVMe tratam dos dados ativos, e a GPU não toca no controlador SATA.

Por que não uma caixa AI separada?

Considerei construir um nó AI dedicado. Existem boas razões para separar a inferência do armazenamento — isolamento, orçamento de energia dedicado, ciclos de reinício independentes. Mas há uma razão convincente para não o fazer:

Já tem uma ranhura PCIe.

Featured

ZimaCube 2 NAS Doméstico de Nuvem Pessoal

ZimaCube2

O ZimaCube 2 foi concebido com a expansão em mente. Se vai comprar um dispositivo que inclui uma ranhura PCIe x16 especificamente para futuras atualizações, não a usar é a decisão mais cara. Uma caixa AI separada significa outra fonte de alimentação, outro chassis, outra ligação de rede, outra coisa para gerir.

Uma máquina. Dois papéis. O ZimaCube2 trata de ambos.

Adicione uma GPU ao seu ZimaCube 2 e comece a executar IA local →

Perguntas Frequentes

O slot PCIe do ZimaCube 2 fornece energia suficiente para uma GPU?

Sim — para placas alimentadas pelo slot até 75W. A Intel Arc Pro B50 (50W TDP) e GPUs de baixo consumo semelhantes funcionam totalmente com energia do slot PCIe. Os slots PCIe do ZimaCube 2 não têm cabos de alimentação auxiliares, por isso precisa escolher uma placa que não os exija. A B50, NVIDIA RTX A2000 e Intel Arc A310/A380 são todas opções viáveis.

Que GPU recomendaria para o ZimaCube 2?

Para inferência de IA especificamente, priorize VRAM em vez de capacidade de cálculo. A Intel Arc Pro B50 (16GB) e a NVIDIA RTX A2000 (12GB) são as melhores opções alimentadas pelo slot atualmente disponíveis. Para transcodificação de media apenas, a Intel Arc A310 ou A380 são mais baratas e ainda oferecem codificação AV1 por hardware. Evite qualquer GPU que necessite de conector de alimentação de 6 ou 8 pinos.

Posso usar um ZimaCube 2 com uma GPU 24/7 sem problemas térmicos?

Sim. O design térmico do ZimaCube 2 separa a zona da CPU/PCIe da zona dos discos. A Arc Pro B50 é uma placa de 50W — não gera calor suficiente para sobrecarregar o chassis. Sob carga contínua de inferência, as temperaturas da GPU mantêm-se dentro da faixa normal de operação sem modificações adicionais de arrefecimento.

O ZimaCube 2 pode executar armazenamento partilhado e cargas de trabalho de IA ao mesmo tempo?

Sim. A configuração original descrita aqui usa o ZimaCube 2 tanto como backend de armazenamento NFS/ZFS do cluster Proxmox como servidor local de inferência de IA com llama.cpp e OpenClaw. A VRAM da GPU gere os pesos do modelo independentemente da memória do sistema, e os pools de armazenamento NVMe garantem que o I/O das VMs não seja um gargalo para as cargas de trabalho de inferência.

Qual é o maior modelo que posso executar numa GPU de 16GB no ZimaCube 2?

Uma GPU de 16GB como a Intel Arc Pro B50 pode executar confortavelmente modelos quantizados de 13B–14B parâmetros (quants Q5_K_M ou Q4_K_M) com janelas de contexto de 4K–8K, ou modelos de 20B–34B com níveis de quantização mais baixos. Para a maioria dos casos de uso de IA auto-hospedada — assistência de código, resumo de documentos, NLP para automação doméstica — um modelo 13B bem ajustado com boa quantização é o ponto ideal.