Ollama no Mac 2026: Guia completo de configuração Apple Silicon (M1–M5, GPU Metal)

Configuração rápida (3 comandos)

1. 1
   Instalar o Ollama
   Why it matters: `brew install ollama` — instalação com um clique.
2. 2
   Baixar um modelo
   Why it matters: `ollama pull llama2` — baixa o Llama 3.3 7B.
3. 3
   Começar a conversar
   Why it matters: `ollama run llama2` — interface de chat interativa.

Verificação da GPU Metal

1. 1
   Rodar com saída detalhada
   Why it matters: `ollama run llama3.1:8b --verbose` e procure por `ggml_metal_init: found device: Apple M[X]` na saída do console.
2. 2
   Conferir a velocidade durante a inferência
   Why it matters: Observe a taxa de geração de tokens: deve ser 20–60 tok/s conforme o Mac (M5 Pro: ~50 tok/s no Llama 3.3 8B). Fallback apenas CPU: ~1–5 tok/s.
3. 3
   Monitorar o uso da GPU
   Why it matters: Abra o Monitor de Atividade (Aplicativos → Utilitários) e veja a seção GPU. Deve mostrar 80–100% de uso da GPU durante a inferência se o Metal funcionar.

Gerenciamento de modelos

1. 1
   `ollama pull <modelo>`
   Why it matters: Baixar modelo. Exemplo: `ollama pull mistral`.
2. 2
   `ollama list`
   Why it matters: Listar todos os modelos baixados.
3. 3
   `ollama run <modelo>`
   Why it matters: Iniciar chat interativo com o modelo.
4. 4
   `ollama rm <modelo>`
   Why it matters: Remover modelo para liberar espaço.

Otimização de memória para Apple Silicon

• OLLAMA_MAX_LOADED_MODELS: Número de modelos a manter na memória. Padrão: 1. Defina 2–3 para configurações com vários modelos.
• Camadas de GPU: Por padrão, o Ollama usa toda a memória unificada disponível. Se a memória for insuficiente, defina `num_gpu_layers` no Modelfile.
• Whisper: Combine com modelo de embeddings e LLM — cabe em um M5 Pro de 64 GB com o Ollama.

Rodar vários modelos simultaneamente

export OLLAMA_MAX_LOADED_MODELS=3
export OLLAMA_KEEP_ALIVE=1h
brew services restart ollama

# Now pull all models you need
ollama pull llama3.1:8b
ollama pull llava:7b

# Send requests to each — they stay loaded
curl http://localhost:11434/api/chat -d '{"model": "llama3.1:8b", "messages": [{"role": "user", "content": "Hello"}]}'
curl http://localhost:11434/api/chat -d '{"model": "llava:7b", "messages": [{"role": "user", "content": "Describe this image"}]}'

Início automático no login

# Enable auto-start
brew services start ollama

# Check status
brew services list | grep ollama

# Disable auto-start (optional)
brew services stop ollama

Configuração de API para desenvolvedores

# Chat endpoint (streaming)
curl http://localhost:11434/api/chat -d '{
  "model": "llama3.1:8b",
  "messages": [{"role": "user", "content": "Write a Python function"}],
  "stream": false
}'

# Python example
import requests
response = requests.post(
  "http://localhost:11434/api/chat",
  json={
    "model": "llama3.1:8b",
    "messages": [{"role": "user", "content": "Hello"}],
    "stream": False
  }
)
print(response.json()["message"]["content"])

Personalização do Modelfile

• `ollama create llm-expert -f Modelfile` — constrói o modelo personalizado
• `ollama run llm-expert` — inicia o chat interativo com seu modelo personalizado
• `ollama run llm-expert "Code review this function"` — envia um prompt diretamente

FROM llama2
SYSTEM "You are an expert software engineer reviewing code for security and performance issues. Provide actionable feedback."
PARAMETER temperature 0.7
PARAMETER top_p 0.9

Problemas comuns e soluções

• Metal não detectado: Verifique com `ollama run llama3.1:8b --verbose` e procure por `ggml_metal_init: found device: Apple M[X]`. Se não aparecer, reinicie: `brew services restart ollama` ou `pkill ollama && ollama serve &`.
• Inferência lenta (fallback para CPU): Causa: o Metal não conseguiu inicializar, o modelo roda na CPU. Veja o Monitor de Atividade — o uso da GPU deve ser 80–100% durante a inferência. Se a GPU mostrar 0%: reinicie o Ollama.
• Sem memória (OOM): O modelo falha ou a resposta é cortada. Causa: modelo + contexto + overhead do macOS ultrapassa a RAM. Soluções: (1) Use quantização menor (`ollama pull llama3.1:8b-q4_K_M`), (2) Reduza o contexto (`OLLAMA_NUM_CTX=2048 ollama run llama3.1:8b`), (3) Use um modelo menor (`ollama pull phi4` — 2.5 GB).
• Download do modelo travado: Causa: limitação de rede ou limites de taxa do HuggingFace. Solução: `pkill ollama && ollama pull llama3.1:8b` (retoma do progresso anterior).
• Porta 11434 já em uso: Outra instância do Ollama está rodando ou um serviço diferente usa a porta. Verifique: `lsof -i :11434`. Solução: `pkill ollama` e depois reinicie.
• O modelo produz texto sem sentido / caracteres aleatórios: Causa: parâmetros do Modelfile fora da faixa ou template incorreto. Solução: baixe o modelo oficial `ollama pull llama3.1:8b` (sobrescreve o personalizado), depois teste: `ollama run llama3.1:8b "Hello, how are you?"`.
• O armazenamento enche: Os modelos são salvos em `~/.ollama/models/`. Verifique o tamanho: `du -sh ~/.ollama/`. Remova os não usados: `ollama rm <nome-do-modelo>`.

Artigos relacionados

• Apple Silicon para LLMs locais: Guia completo
• Comparação MLX vs Ollama vs llama.cpp
• Melhores modelos LLM para Apple Silicon
• Quanta memória unificada para LLMs locais?
• Benchmarks M5 Pro vs M5 Max
• Mac Mini M5 como servidor de IA local
• Apple MLX vs NVIDIA CUDA 2026 — para decidir entre Apple Silicon e GPU NVIDIA.