LLM Farm, análise (2026): app GGUF de código aberto, fora da App Store

O que é o LLM Farm?

Quem criou o LLM Farm?

• Desenvolvedor: Artem Savkin (GitHub: guinmoon), trabalhando de forma independente, não como empresa.
• Lançamento na App Store: 13 de dezembro de 2023. Repositório no GitHub criado: 14 de junho de 2023.
• Licença: MIT — licença de código aberto permissiva, livre para usar, bifurcar e modificar. Titular dos direitos segundo o arquivo LICENSE: Artem Savkin, 2023.
• Mais de 2.000 estrelas no GitHub e mais de 180 forks no momento desta análise, com um rastreador de issues ativo mas não resolvido (46 issues em aberto).
• Ritmo de desenvolvimento: intermitente desde 2025 — commits atualizando a dependência do llama.cpp e a documentação continuaram até o início de 2026, mas nenhuma nova versão marcada foi lançada desde a 1.4.3, em janeiro de 2025.

O LLM Farm ainda está na App Store?

• Status na App Store: removido desde aproximadamente agosto de 2025, segundo o histórico de commits e versões do projeto.
• Status no TestFlight: fechado, segundo o README atual do GitHub, no momento desta análise.
• Motivo da remoção: não informado pelo desenvolvedor nem pela Apple em nenhuma fonte que a PromptQuorum conseguiu localizar.
• Única via confirmada para instalar o app atualmente: compilá-lo a partir do código-fonte via Xcode, usando o repositório público do GitHub.

Como obter o LLM Farm hoje

1. 1
   Instale o Xcode e uma conta de desenvolvedor Apple
   Why it matters: Você precisa de um Mac com o Xcode instalado e de uma conta de desenvolvedor Apple gratuita ou paga para compilar e assinar o app para o seu próprio dispositivo. Essa é a principal barreira para quem não é desenvolvedor.
2. 2
   Clone o repositório de forma recursiva
   Why it matters: Execute `git clone --recurse-submodules https://github.com/guinmoon/LLMFarm` — a opção `--recurse-submodules` é necessária porque a biblioteca de inferência subjacente `llmfarm_core` foi movida para um repositório separado e é incluída como submódulo.
3. 3
   Abra o projeto no Xcode e compile para o seu dispositivo
   Why it matters: Abra o arquivo de projeto do Xcode, selecione seu dispositivo ou o destino Mac, defina sua própria equipe de assinatura de desenvolvedor e compile. Isso gera um app que roda no seu próprio hardware, mas não um que você possa distribuir a outras pessoas pela App Store.
4. 4
   Baixe um modelo GGUF e carregue-o
   Why it matters: Depois que o app estiver rodando, adicione um arquivo de modelo GGUF (do Hugging Face ou de outra fonte) e carregue-o pela tela de gerenciamento de modelos do app; em seguida, comece a conversar inteiramente no dispositivo.

Quais modelos o LLM Farm suporta?

O LLM Farm está disponível para iPhone, iPad e Mac?

Quanto custa o LLM Farm?

• O app em si: Gratuito, código aberto sob licença MIT — nenhum preço de compra encontrado para o código ou suas funcionalidades.
• Compras dentro do app: Nenhuma encontrada nas fontes revisadas para este artigo.
• Ferramentas de compilação: o Xcode é gratuito, mas exige um Mac; um Apple ID gratuito pode assinar compilações para uso pessoal com um certificado que precisa ser renovado a cada sete dias, aproximadamente, enquanto uma assinatura paga do Apple Developer Program evita esse ciclo de renovação.
• Custo de armazenamento: Não monetário, mas real — cada arquivo de modelo GGUF baixado ocupa espaço de armazenamento, tipicamente vários gigabytes por modelo.

Quais recursos o LLM Farm tem?

• Amplo suporte a arquiteturas. Mais de 16 arquiteturas de modelos, incluindo várias (Starcoder, Falcon, MPT, Bloom, RWKV, GPTNeoX) que outros apps móveis de IA local geralmente não suportam.
• Modelos multimodais (visão e linguagem). O suporte a LLaVA, BakLLaVA, Obsidian, ShareGPT4V, MobileVLM, Yi-VL e Moondream permite ao app processar prompts de imagem mais texto, segundo o README.
• Vários métodos de amostragem. Temperature, Tail-Free Sampling (TFS), Locally Typical Sampling, Mirostat, Greedy e amostragem com restrição de gramática estão entre as opções suportadas.
• Saída com restrição de gramática. A amostragem por gramática permite restringir a saída de um modelo a uma estrutura definida (como JSON válido), útil para casos de uso de saída estruturada.
• Modelos de configuração e restauração de contexto. Configurações salvas por modelo, e a possibilidade de restaurar o estado de contexto de uma conversa em vez de reprocessá-lo do zero.
• Integração com os Atalhos da Apple. O app pode ser acionado a partir do app de automação Atalhos da Apple, segundo o README.
• Geração aumentada por recuperação (RAG) básica. O README lista capacidade de RAG, mas a documentação do projeto não detalha, no material revisado para este artigo, seu método exato de recuperação nem os formatos de documento suportados.

Ajuste fino e fusão de LoRA no dispositivo

• Carregamento de um ou vários adaptadores LoRA, cada um com seu próprio parâmetro de escala configurável.
• Ajuste fino de um modelo base no dispositivo via Settings > FineTune — segundo o wiki, limitado na prática a cerca de 3 bilhões de parâmetros com configurações mínimas no iOS.
• Fusão de um adaptador LoRA treinado com seu modelo base e exportação via Settings > Merge Lora.
• Contrapartida: o wiki afirma que o carregamento por arquivo mapeado em memória (mmap) não pode ser usado enquanto um adaptador LoRA está conectado, o que aumenta o uso de RAM em comparação com rodar apenas o modelo base.

Que hardware você precisa para o LLM Farm?

• Modelos pequenos (2 a 4 bilhões de parâmetros, quantizados): usáveis na maioria dos iPhones e Macs recentes com 4 GB+ de RAM livre.
• Modelos de porte médio (7 a 8 bilhões de parâmetros, quantizados): 8 GB ou mais de RAM do dispositivo recomendados para uma responsividade aceitável.
• Ajuste fino LoRA especificamente: segundo o wiki do projeto, limitado na prática a cerca de 3 bilhões de parâmetros no iOS, com configurações mínimas, devido às limitações de computação e memória no dispositivo.
• Sistema operacional mínimo: iOS 16 ou macOS 13, segundo o README do GitHub.
• Armazenamento: reserve vários gigabytes de espaço livre por arquivo de modelo GGUF baixado.

Para quem o LLM Farm é indicado

• Desenvolvedores confortáveis em compilar um app a partir do código-fonte no Xcode. Como a App Store e o TestFlight estão atualmente fechados, isso é um requisito rígido, não um diferencial opcional.
• Usuários que querem especificamente ajuste fino ou fusão de adaptadores LoRA no dispositivo. A maioria dos apps móveis de IA local concorrentes não oferece esse conjunto de recursos de forma alguma.
• Usuários que querem a mais ampla gama de arquiteturas de modelos suportadas em um dispositivo móvel. Mais de dezesseis arquiteturas, incluindo várias de nicho (RWKV, Mamba, GPTNeoX), é algo incomumente amplo para um app de celular.
• Usuários que querem inspecionar ou modificar o código eles mesmos. A licença MIT permite bifurcar e modificar, e a base de código é uma referência útil para entender uma camada em Swift sobre o llama.cpp/ggml.

Para quem o LLM Farm não é indicado

• Para quem não pode ou não quer compilar um app de iOS/macOS a partir do código-fonte. Esse é o principal motivo para evitar o LLM Farm por agora: não há instalação pela App Store, nem acesso confirmado ao TestFlight, no momento desta análise.
• Usuários que precisam de suporte a Android, Windows ou Linux. O LLM Farm é exclusivo da Apple; usuários de Android devem considerar RikkaHub, ChatterUI ou Maid, e usuários de desktop sem Mac devem considerar Ollama, LM Studio ou Jan AI.
• Usuários que querem um app garantidamente instalável hoje. Tanto o PocketPal AI quanto o Private LLM são instaláveis imediatamente pela App Store, sem compilar nada.
• Usuários que esperam versões frequentes e numeradas. A última versão marcada do projeto foi lançada em janeiro de 2025; embora os commits tenham continuado de forma intermitente desde então, não houve nenhuma nova versão empacotada em mais de um ano até o momento desta análise.
• Usuários que precisam de suporte garantido ou de um roteiro definido. O LLM Farm é mantido de forma independente por um único desenvolvedor, segundo o histórico do repositório, sem nenhum compromisso declarado de restabelecer a disponibilidade na App Store.

LLM Farm vs. alternativas

Perguntas frequentes

Veredito

Fontes

• LLM Farm no GitHub — código-fonte, licença (MIT), README, histórico de commits e números de estrelas/forks citados nesta análise.
• Arquivo LICENSE do LLM Farm — texto da licença MIT e titular dos direitos autorais (Artem Savkin, 2023).
• Wiki do LLM Farm: FAQ — notas de instalação e detalhes dos formatos de arquivo suportados.
• Wiki do LLM Farm: LoRA — documentação sobre carregamento, ajuste fino e fusão de LoRA.
• llmfarm_core.swift no GitHub — a biblioteca de inferência subjacente citada nesta análise.
• Histórico de versões no GitHub para guinmoon/LLMFarm — última versão marcada (1.4.3, janeiro de 2025) citada nesta análise.

Leituras relacionadas

• Best Local LLM Apps for iPhone in 2026 — o comparativo de iOS, com alternativas instaláveis ao LLM Farm.
• Análise do PocketPal AI — uma alternativa gratuita, de código aberto e instalável diretamente para iPhone, iPad e Android.
• Análise do Private LLM — uma alternativa paga, de código fechado, exclusiva da Apple, com um amplo catálogo de modelos.
• Análise do Enclave AI — uma alternativa exclusiva da Apple com automação via Siri e Atalhos.
• Loci AI Review: Offline AI for iPhone, Android, iPad, Mac and Windows — uma alternativa paga, de código fechado, em cinco plataformas, com uma biblioteca de modelos selecionada.