Hardware para LLM Local em 2026: GPU vs Mini PC vs Mac Comparados

O hardware mínimo para rodar um LLM local em 2026 é uma GPU com 8 GB de VRAM — ou um Mac com Apple Silicon e 16 GB de memória unificada — para modelos da classe 7B. Os requisitos então escalam com o tamanho do modelo: 14B precisa de 12 GB, 24B precisa de 16 GB, 32B precisa de 24 GB, e um modelo 70B precisa de ~40 GB em Q4_K_M. A VRAM da GPU é o limite rígido: ela decide quais modelos carregam, de fato. A CPU e a RAM do sistema afetam o tempo de carregamento e a velocidade de fallback apenas em CPU, mas não qual modelo cabe na GPU.

Use esta tabela como a resposta direta para "que hardware eu preciso" — encontre o tamanho do seu modelo ou a faixa de VRAM, depois pule para as escolhas de modelo por faixa abaixo.

A escolha disponível em estoque para LLMs locais em junho de 2026 é a NVIDIA RTX série 50 (Blackwell): 5060 Ti, 5070, 5070 Ti, 5080, 5090. A RTX série 40 (4060, 4070 Ti, 4090) foi descontinuada e agora é vendida escassa e acima dos seus preços antigos no mercado usado. Uma escassez de GDDR7/memória em 2026 elevou até mesmo as placas da série 50 bem acima do MSRP, então trate cada valor abaixo como um preço de rua típico de junho de 2026 e verifique os anúncios ao vivo antes de comprar. Recomendações por caso de uso:

Os requisitos de VRAM dependem de três fatores: tamanho do modelo (parâmetros), quantização (bits por peso) e modo de inferência. Use esta fórmula para determinar se a sua GPU tem memória suficiente. Para uma calculadora interativa, veja a calculadora de VRAM para LLMs locais.

Fórmula:

```text VRAM (GB) = (Tamanho do Modelo × Bits de Quantização) ÷ 8 ```

Valores de quantização: FP16 = 16 bits, Q8_0 = 8 bits, Q5_K_M = 5 bits, Q4_K_M = 4 bits. O ponto ideal prático é o Q4_K_M -- ele usa pesos de 4 bits com K-quantização, que as GPUs NVIDIA aceleram de forma mais eficiente que o formato Q4_0 mais antigo.

A fórmula de VRAM (Tamanho do Modelo × Bits ÷ 8) cobre apenas os pesos do modelo -- o cache KV adiciona uma VRAM significativa que a maioria dos guias ignora.

O cache KV armazena o estado de atenção para cada token na sua janela de contexto. Ele cresce linearmente com o comprimento do contexto e permanece na VRAM durante toda a sessão.

Fórmula de VRAM do cache KV: `cache KV ≈ camadas × cabeças × head_dim × 2 × comprimento_do_contexto × 2 bytes`

Em junho de 2026, as GPUs NVIDIA entregam o maior número de tokens/sec para inferência de LLM local em todas as faixas de preço. As seções abaixo de cada faixa trazem recomendações de modelos específicos. Para uma comparação detalhada de benchmarks, veja o guia das melhores GPUs para LLM local.

Use isto como uma consulta rápida pela faixa de VRAM da sua GPU:

Todos os modelos listados abaixo são de pesos abertos — baixáveis, ajustáveis (fine-tuning) e gratuitos para rodar localmente. Se você está escolhendo entre pesos abertos e APIs proprietárias, veja nossa comparação de LLMs open-source vs proprietários para os trade-offs de custo e desempenho em diferentes volumes de tokens.

O hardware determina quais modelos você pode rodar; a engenharia de prompt determina o quão bem eles se saem. Um prompt bem estruturado em um modelo 7B muitas vezes supera um prompt preguiçoso em um modelo 70B. Veja o guia completo de engenharia de prompt para técnicas que maximizam a qualidade da saída em qualquer contagem de parâmetros.

O melhor LLM local para uma GPU de 16 GB de VRAM em 2026 é o Mistral Small 3.1 24B em Q4_K_M: ele usa ~13 GB, roda a 55 tok/sec, e é o modelo geral mais forte que cabe com folga de contexto. Placas de 16 GB (NVIDIA RTX 5080, RTX 5070 Ti, RTX 4080 usada, ou uma RTX 4090 de laptop) chegam ao teto em modelos 14-24B — um modelo 70B precisa de ~40 GB e não cabe.

Para codificação agêntica, o Devstral Small 24B Q4_K_M cabe em ~16 GB; para raciocínio, o DeepSeek-R1 14B Q8_0 é a escolha. O mais novo Mistral Small 4 (março de 2026) é um modelo único que integra raciocínio, visão e codificação e é o sucessor natural como padrão da classe de 16 GB. A tabela abaixo mostra o que cabe e o que não cabe — as linhas "NÃO cabe" são o erro mais comum que os donos de 16 GB cometem.

Em uma GPU de 12 GB de VRAM (NVIDIA RTX 5070, RTX 4070 Ti ou RTX 3060 12 GB), você pode rodar modelos 7-8B em Q8 ou 14B em Q4_K_M. Nota: modelos MoE como o Llama 4 Scout NÃO cabem aqui -- embora o Scout ative apenas 17B de parâmetros por token, todos os 109B experts no total precisam ser carregados na memória, exigindo ~55 GB em Q4.

O Llama 3.1 8B em Q8_0 é a escolha mais confiável para configurações conservadoras: 9 GB de VRAM, 80 tok/sec e qualidade total de seguir instruções. O Qwen3 14B em Q4_K_M também cabe em ~8,5 GB e entrega um raciocínio notavelmente melhor que a faixa de 8B.

O requisito de hardware para rodar um modelo 70B localmente com qualidade Q4_K_M utilizável é de ~40 GB de VRAM — então uma única RTX 4090 de 24 GB não é suficiente. Suas opções reais para 70B em 2026 são: 2× RTX 5090 (64 GB combinados), uma RTX 5090 (32 GB) com leve offload de CPU, uma GPU de servidor de 48-80 GB (RTX 6000 Ada / A100), ou um Apple M5 Max / sistema com 128 GB de memória unificada. O equívoco comum é achar que "Q4 é pequeno" — com 70B de parâmetros, até o Q4 precisa de ~40 GB.

Em uma única placa de 24 GB, a melhor estratégia é um modelo 27-32B, que entrega forte qualidade e cabe confortavelmente com folga de contexto. O Qwen3.6 27B em Q4_K_M é o melhor modelo de codificação denso (77,2% SWE-bench); o DeepSeek-R1 32B é a melhor escolha de raciocínio. Uma GPU de 24 GB só comporta 70B em Q2_K, onde a qualidade cai visivelmente. Veja como rodar modelos 70B em 24 GB de VRAM para técnicas de offload e dual-GPU.

Com uma GPU dedicada, CPU e RAM são componentes secundários. A GPU lida com a matemática de matrizes; CPU/RAM gerenciam a preparação do contexto. Para uma comparação completa das velocidades de inferência de GPU vs CPU vs Apple Silicon, veja o guia de GPU vs CPU vs Apple Silicon.

CPU mínima: processador de 8 núcleos (Intel Core i7 14ª geração, AMD Ryzen 7 7700X ou mais novo). CPUs mais antigas adicionam 20%+ de latência.

RAM: 16 GB no mínimo (com GPU). Se rodar sem GPU, recomenda-se 32+ GB. A RAM não limita diretamente o tamanho do modelo quando há uma GPU presente.

Armazenamento: SSD de 500 GB para os arquivos de modelo e o SO. M.2 NVMe é preferível (carregamento de modelo mais rápido).

Sem uma GPU, uma máquina com 16 GB de RAM do sistema pode rodar modelos 3B-7B a 8-20 tokens/sec usando inferência por CPU. O gargalo é a largura de banda de memória, não a capacidade de RAM -- as CPUs têm largura de banda muito menor que as GPUs, e é por isso que a inferência é 5-10× mais lenta.

Com 16 GB de RAM do sistema, a regra prática é: tamanho do arquivo do modelo + 4 GB de sobrecarga do SO ≤ 16 GB. Um modelo 7B em Q4_K_M (4,9 GB) cabe, mas deixa pouca folga para contextos longos. A tabela abaixo mostra opções realistas em junho de 2026.

Para um guia completo de modelos otimizados para velocidade cobrindo as faixas de apenas CPU, 4 GB, 6 GB e 8 GB de VRAM com benchmarks reais, veja **LLMs Locais Mais Rápidos para PCs de Baixo Desempenho**.

Os arquivos de modelo são grandes: um modelo 7B em quantização de 4 bits tem 4-5 GB. Planeje o armazenamento em torno do número e do tamanho dos modelos que você quer manter localmente.

Montar uma máquina para LLM local do zero significa priorizar a GPU primeiro, depois a CPU e a RAM. Aqui estão três configurações realistas. Para montagens com múltiplas GPUs, veja o guia de LLM local com múltiplas GPUs. Para configurações de automação residencial, mini PCs compactos costumam ser mais adequados que montagens de desktop completas — veja o melhor Mini PC para Home Assistant com IA local →.

Se uma GPU de $250–400 está fora do seu orçamento, ou seu laptop é antigo demais para suportar motores de inferência modernos, os LLMs locais podem não ser custo-efetivos para você em 2026.

Calcule o custo real:

• Local: $800–2,000 de hardware inicial + eletricidade + manutenção ao longo de 2–3 anos

• Nuvem: $5–50/mês para uso típico de desenvolvedor (API do Llama ou GPT-5.5 mini)

Para usuários leves (< 100.000 tokens/mês), as APIs de nuvem custam $5–10/mês e exigem zero hardware. Para usuários pesados (> 10M tokens/mês), o local se paga em 6–12 meses.

Compare os trade-offs completos de custo e desempenho de local vs nuvem** para encontrar o seu ponto de equilíbrio. Muitos desenvolvedores descobrem que a nuvem é mais barata para o seu padrão de uso real.

Já está procurando abaixo das faixas de VRAM recomendadas? Veja Melhor App de IA Local para um PC de Baixo Desempenho para saber quais combinações de modelo e app realmente rodam em 8 GB ou menos.

Com as configurações corretas, o llama.cpp em uma RTX 4070 Ti atinge 85-95 tokens/sec no Llama 3.1 8B Q4_K_M -- mais que o dobro da velocidade padrão de fábrica. A flag de maior impacto é a `--n-gpu-layers 99`, que descarrega todas as camadas do modelo para a GPU. Sem ela, as camadas voltam para a CPU, criando um gargalo severo.

Essas configurações se aplicam ao llama.cpp diretamente e ao Ollama (que usa o llama.cpp internamente). O Ollama define `--n-gpu-layers 99` automaticamente em hardware NVIDIA se os drivers estiverem instalados corretamente.

O Apple Silicon (série M) roda LLMs locais com eficiência usando memória unificada compartilhada entre CPU e GPU. O M5 base foi lançado em outubro de 2025; o M5 Pro e o M5 Max vieram em março de 2026. A Apple mede um processamento de prompt de LLM (tempo-até-o-primeiro-token) até 4× mais rápido no M5 Pro/Max vs a geração M4, embora os ganhos na geração de tokens sejam mais modestos.

O M5 Max com 128 GB de memória unificada (até 614 GB/s) roda modelos 70B em Q4_K_M confortavelmente — cerca de 12-15 tok/sec — em formato de laptop ou Mac Studio. O M5 Pro (até 64 GB unificada, 307 GB/s) lida com modelos 32B com folga generosa para cache KV e multitarefa. Em junho de 2026, o M5 Max é o topo do Apple Silicon em comercialização; um Mac Studio com M5 Ultra é rumor, mas ainda não foi lançado.

Em um MacBook com 8 GB de RAM, fique com modelos 3-4B. Com a memória unificada compartilhada entre o SO e o modelo, 8 GB comporta realisticamente o Phi-4 Mini 3.8B, o Llama 3.2 3B ou o Gemma 3 4B em Q4_K_M via Ollama ou llama.cpp (ambos usam o backend de GPU Metal automaticamente). Um modelo 7B fica no limite com 8 GB e fará swap sob carga; 16 GB é o mínimo confortável para modelos 7-8B em um Mac.

Para implantação em produção (operação 24/7, múltiplos usuários), recomenda-se hardware de nível servidor em vez de GPUs de consumo. O hardware de consumo é otimizado para jogos, não para inferência sustentada.

A NVIDIA DGX Spark ($4,699 em fevereiro de 2026, acima do preço de lançamento de $3,999) é um computador de IA de desktop compacto com 128 GB que pode comportar o Llama 3.3 70B em Q8_0 inteiramente na memória unificada. O Apple Mac Studio / MacBook Pro com 128 GB e os sistemas AMD Strix Halo de 128 GB podem fazer o mesmo, então ela não é única — mas vem com a pilha de software CUDA da NVIDIA.

Construída sobre o Superchip GB10 Grace Blackwell, a DGX Spark foi lançada em outubro de 2025 com 128 GB de memória unificada LPDDR5x. Nota: sua largura de banda de memória real é de ~273 GB/s, então a geração de tokens em 70B denso é lenta — testes independentes (LMSYS) mediram cerca de 3 tok/sec no Llama 70B. A cifra de destaque de computação FP4 não se traduz em decodificação de fluxo único rápida. A DGX Spark é mais adequada para grandes modelos mixture-of-experts (Llama 4 Scout/Maverick, Kimi K2) onde apenas uma fração dos parâmetros é ativada por token.

UE (GDPR + Lei de IA da UE): Rodar LLMs localmente mantém todos os dados de inferência dentro da sua infraestrutura, eliminando preocupações com transferência transfronteiriça de dados sob o Artigo 44 do GDPR. As obrigações da Lei de IA da UE para sistemas de IA autônomos de alto risco (Anexo III) estavam originalmente previstas para se aplicar a partir de 2 de agosto de 2026, mas o "Digital Omnibus on AI" — acordado provisoriamente em maio de 2026 e aguardando adoção formal em junho de 2026 — adia essa data para 2 de dezembro de 2027 (com a IA de alto risco embutida em produtos regulados adiada para 2 de agosto de 2028). Os deveres de transparência do Artigo 50 da Lei de IA ainda se aplicam no cronograma original. O hardware local atende aos requisitos de residência de dados por padrão.

Japão (APPI): A emenda de 2022 da APPI do Japão endureceu as regras de notificação de violação e de transferência transfronteiriça, mas não impõe um requisito de minimização de dados específico para IA (ela se apoia nos deveres gerais de limitação de finalidade). Mais relevantes para a IA são o pacote de reforma da APPI de 2025 do Japão e sua primeira lei de IA — a Lei de Promoção de IA (em vigor desde junho de 2025), um marco que prioriza a inovação e sem penalidades. O hardware de LLM on-premises mantém os dados pessoais dentro da sua infraestrutura para processamento de documentos e automação de suporte ao cliente.

China: As Medidas Provisórias para Serviços de IA Generativa da Administração do Ciberespaço da China (CAC) (em vigor desde agosto de 2023) exigem que provedores com influência sobre a opinião pública concluam uma avaliação de segurança da CAC e um registro de algoritmo. Desde 1º de setembro de 2025, a China também exige a rotulagem de conteúdo gerado por IA sob as Medidas de rotulagem da CAC e o padrão nacional GB 45438-2025. Rodar hardware local com modelos de pesos abertos evita a exposição à conformidade baseada em API para uso empresarial interno.