Guia prático de IA privada

Rode o modelo certo.
No hardware que você já tem.

Escolha plataforma e memória. Receba um ajuste conservador, o servidor adequado e um comando executável.

Primary-source linked16 languagesEvidências atualizadas 2026-08-31
8 GB
24 GB
80GB
ollama runqwen3:8b
LOCAL / 24G
MEMORY MAP01—80 GB
01 / FIT FINDER

Seu limite para modelos locais

A estimativa inclui pesos e margem básica, mas não promete velocidade.

Plataforma
Memória disponível24 GB
43264128 GB
~22.8 GB model budget after reserve
RECOMMENDED ENVELOPE6 models
Confortável Apertado
01
30B total~22.5 GBGGUF Q4 MoEOllama
ollama run qwen3:30b-a3b
02
Gemma 3 27BApertado
27B total~20.5 GBINT4Ollama
ollama run gemma3:27b
04
gpt-oss-20bConfortável
21B total~16 GBMXFP4Ollama
ollama run gpt-oss:20b
05
Qwen3 14BConfortável
14B total~11.2 GBGGUF Q4Ollama
ollama run qwen3:14b
06
Gemma 3 12BConfortável
12B total~9.4 GBINT4Ollama
ollama run gemma3:12b
02 / EVIDENCE FIRST

Um mapa, não um ranking

Separamos parâmetros totais, parâmetros MoE ativos, peso quantizado, suporte e desempenho medido.

Weight fit ≠ speedTotal ≠ active parametersDocs ≠ benchmark
03 / HARDWARE MAP

Do notebook ao acelerador de 80 GB

Cada classe tem orçamento, runtime e limite realista próprios.

11
Todo o hardware
04 / MODEL FIELD NOTES

Modelos open-weight representativos

15
Todos os modelos
05 / SERVING LAYER

Escolha a camada de inferência

06
06 / METHOD

Como estimamos

Usamos tamanhos e quantização documentados, reservamos espaço para o sistema e tratamos cache como custo extra. MoE usa parâmetros totais.

CONSERVATIVE FITweights + runtime + cache
total params×bits / 8+headroom
No universal tokens/s claims.
07 / FAQ

Antes de baixar 40 GB

Does a 24 GB GPU run a 30B model?+

Often at Q4/INT4 with a conservative context. Qwen3 30B-A3B and Gemma 3 27B are representative fits, but cache and runtime overhead still matter.

Are active MoE parameters the memory requirement?+

No. Active parameters affect compute per token; total parameters still need to be stored in memory or offloaded.

Which runtime should a beginner choose?+

Ollama for a terminal-first setup or LM Studio for a visual desktop. llama.cpp is the portable fallback; vLLM is for higher-throughput GPU serving.

Do you benchmark speed?+

Not yet. Launch recommendations are transparent memory-fit estimates backed by primary documentation. We do not invent tokens-per-second numbers.