Início/LLMs locais avançados/Ferramentas locais de treinamento e operação de modelos comparadas (2026): fine-tuning e observabilidade

Overview & Reference

Ferramentas locais de treinamento e operação de modelos comparadas (2026): fine-tuning e observabilidade

Última atualização: 21 de setembro de 2026·7 min de leitura·Por Hans Kuepper · Fundador do PromptQuorum · Mecanismo de descoberta de IA de pesos abertos e código aberto

As 8 ferramentas locais de treinamento e operação do diretório da PromptQuorum se dividem em dois tipos que devem ser comparados separadamente: ferramentas de fine-tuning (5) e ferramentas de observabilidade e avaliação (3). Entre as ferramentas de fine-tuning, LLaMA-Factory e Unsloth documentam treinamento com LoRA ou QLoRA; entre as de observabilidade, Langfuse e Plano documentam o tracing de chamadas a LLMs. Use a tabela comparativa abaixo e leia a análise de cada ferramenta antes de instalá-la.

Principais conclusões

8 ferramentas, dois tipos: fine-tuning (5) e observabilidade e avaliação (3). Uma ferramenta que faz mais de uma função aparece em cada tipo a que pertence.
A tabela é gerada a partir do registro de cada ferramenta e conferida com o README ou site oficial; um traço significa "não informado na documentação", nunca "não".
É um grupo pequeno: o diretório ainda não tem ferramentas analisadas para as subcategorias de conjuntos de dados e hubs de modelos, por isso elas não são comparadas aqui.
Cada nome de ferramenta na tabela leva à sua própria análise da PromptQuorum, onde estão as etapas de instalação e os limites.

📍 Em uma frase

Ferramentas locais de treinamento e operação são dois tipos diferentes de produto — ferramentas de fine-tuning e ferramentas de observabilidade e avaliação — por isso as 8 ferramentas do diretório da PromptQuorum são comparadas dentro de cada tipo, usando uma tabela gerada a partir dos mesmos dados de cada análise de ferramenta.

💬 Em termos simples

Algumas ferramentas ensinam um novo comportamento a um modelo por meio de fine-tuning com os seus dados, e outras acompanham o desempenho de uma aplicação com modelo e avaliam suas respostas. Comparar um treinador com um painel de monitoramento pelos mesmos recursos não faz sentido, por isso este guia compara coisas do mesmo tipo.

Ler em:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

Ferramentas para treinar e operar modelos de linguagem locais são dois tipos diferentes de produto — ferramentas de fine-tuning, que adaptam um modelo, e ferramentas de observabilidade e avaliação, que mostram como ele se comporta em uso — e nenhuma lista única de recursos as compara de forma justa. Este guia compara 8 ferramentas gratuitas e freemium, um tipo de cada vez, usando uma tabela comparativa gerada a partir dos mesmos dados da análise da PromptQuorum de cada ferramenta, de modo que a tabela e as análises não podem se contradizer.

Esta página contém links de referência para produtos de terceiros. O PromptQuorum não está inscrito em nenhum programa de afiliados — são links simples que não geram comissão. Clicar nos links e os próximos passos são de sua inteira responsabilidade. Estes links não representam qualquer endosso ou verificação por parte do PromptQuorum.

Como comparamos

Os fatos de cada ferramenta — preço, licença, plataformas, requisitos de hardware e atributos específicos da categoria — são armazenados uma única vez, no registro dessa ferramenta no diretório. A tabela comparativa abaixo é gerada a partir desses registros, e a análise da própria ferramenta usa o mesmo registro, portanto os dois não podem apresentar valores diferentes.

Os atributos específicos da categoria (por exemplo, suporte a LoRA e QLoRA ou tracing) foram retirados do README ou do site oficial de cada projeto e conferidos com a redação exata ali presente. Quando a documentação é omissa, a tabela mostra um traço em vez de adivinhar; quando uma afirmação é condicionada (apenas no roadmap, uma edição enterprise ou um pacote separado), o atributo fica de fora da tabela e é tratado na análise da ferramenta.

Somente ferramentas com análise própria da PromptQuorum estão na tabela. A comparação não classifica as ferramentas em ranking, porque a escolha certa depende da sua restrição.

Tabela comparativa

Escolha abaixo um tipo de ferramenta e leia ao longo da linha. Clique no nome de uma ferramenta para abrir a análise completa da PromptQuorum. Nota: na tabela de fine-tuning, a coluna "LoRA / QLoRA" abrange tanto o fine-tuning de modelos de linguagem (LLaMA-Factory, Unsloth) quanto um treinador de LoRA separado para modelos de imagem (Locally Uncensored) — leia a seção abaixo da tabela para essa distinção antes de comparar as linhas.

Ferramenta	Preço	Licença	Plataformas	Execução	Hardware	Versão	LoRA / QLoRA	Interface web	Treinamento multi-GPU	Modo de baixa VRAM	Exportar para GGUF / Ollama	Análise	link de produto · divulgado
LLaMA-Factory	Gratuito	Apache-2.0	macOS, Windows, Linux	Local	16 GB de VRAM	v0.9.5	Sim	Sim	Sim	Sim	Sim	Ler análise →	LLaMA-Factory
Locally Uncensored	Freemium	AGPL-3.0	Windows, Linux, macOS	Local	Varia conforme o modelo	3.0.2	Sim	Sim	—	—	—	Ler análise →	Locally Uncensored
LoRAX	Gratuito	Apache-2.0	Linux	Local	Varia conforme o modelo	v0.12.1	—	—	—	—	—	Ler análise →	LoRAX
Second Me	Gratuito	Apache-2.0	macOS, Windows, Linux	Local	Varia conforme o modelo	—	—	—	—	—	—	Ler análise →	Second Me
Unsloth	Gratuito	Apache-2.0 (core) / AGPL-3.0 (Studio UI)	macOS, Windows, Linux	Local	Varia conforme o modelo	v0.1.909-beta	Sim	Sim	Sim	Sim	Sim	Ler análise →	Unsloth

"—" significa que a documentação do próprio projeto não informa o dado, não que o recurso não exista. Os valores vêm do README ou do site oficial de cada projeto e são conferidos novamente quando a análise de uma ferramenta é atualizada.

Ferramentas de fine-tuning: o que difere

LoRA e QLoRA. LLaMA-Factory e Unsloth documentam fine-tuning com LoRA ou QLoRA para modelos de linguagem. O Locally Uncensored documenta um treinador de LoRA separado, para modelos de imagem em vez de modelos de linguagem.
Interface web. LLaMA-Factory, Unsloth e Locally Uncensored documentam uma interface web para treinamento.
Treinamento multi-GPU. LLaMA-Factory e Unsloth documentam treinamento multi-GPU.
Treinamento com pouca VRAM. LLaMA-Factory e Unsloth documentam um modo de pouca VRAM ou de economia de memória.
Exportação para GGUF ou Ollama. LLaMA-Factory e Unsloth documentam a exportação de modelos para GGUF ou Ollama.
Linhas esparsas. LoRAX e Second Me aparecem aqui por seus recursos relacionados a fine-tuning, mas a documentação deles não informa nenhum dos atributos comparados, por isso suas células são traços; veja as análises deles.

Observabilidade e avaliação: o que difere

Tracing. Langfuse e Plano documentam o tracing de chamadas a LLMs.
Avaliações. Langfuse documenta avaliações ou pontuação.
Gerenciamento de prompts. Langfuse documenta o gerenciamento de prompts.
OpenTelemetry. Plano documenta suporte a OpenTelemetry.
Docker e auto-hospedagem. Langfuse e Mission Control documentam implantação com Docker ou auto-hospedada.
LLMs locais. Langfuse documenta o trabalho com LLMs locais ou auto-hospedados.

O que esta comparação não pode dizer

Ela compara capacidades documentadas, não resultados. Não diz nada sobre a qualidade de um modelo após o fine-tuning, a velocidade do treinamento no seu hardware ou a precisão de uma pontuação de avaliação — a PromptQuorum não mediu isso para as ferramentas listadas.
Os traços são lacunas na documentação que verificamos, não achados negativos. Algumas ferramentas podem oferecer um recurso que o README não menciona.
Os requisitos de hardware para fine-tuning dependem muito do modelo e das configurações; leia a análise da ferramenta para ver requisitos realistas antes de iniciar um treinamento.
As ferramentas mudam rápido. A análise de cada ferramenta informa a versão em que foi verificada, e este guia é atualizado quando uma análise é atualizada.

Perguntas frequentes

Qual é a diferença entre uma ferramenta de fine-tuning e uma de observabilidade?

Uma ferramenta de fine-tuning adapta um modelo treinando-o com os seus dados, muitas vezes com métodos eficientes em parâmetros, como LoRA ou QLoRA. Uma ferramenta de observabilidade ou avaliação registra e avalia o comportamento de uma aplicação com LLM em uso, por exemplo rastreando cada requisição. Elas fazem trabalhos diferentes, por isso são comparadas separadamente.

O que significa um traço na tabela comparativa?

Significa que a própria documentação do projeto não informa esse atributo. Não significa que o recurso não exista; consulte a análise da ferramenta ou o repositório dela.

Por que há tão poucas ferramentas aqui?

O diretório tem, até agora, poucas ferramentas analisadas nesta área e nenhuma ainda para conjuntos de dados ou hubs de modelos. A comparação cobre o que foi analisado; mais ferramentas serão adicionadas conforme suas análises forem escritas.

Alguma dessas ferramentas tem link de afiliado?

Não. A PromptQuorum não tem relação de afiliação com nenhuma ferramenta desta comparação no momento da redação, e nenhum link aqui gera comissão.

Com que frequência esta comparação é atualizada?

Ela é atualizada duas vezes por ano e sempre que a análise de uma das ferramentas listadas é atualizada, porque a tabela é gerada a partir dos mesmos dados dessas análises.

Fontes

O README ou site oficial de cada ferramenta, listado na análise da PromptQuorum dessa ferramenta (com link a partir da tabela comparativa).
Diretório de apps de IA local da PromptQuorum — o registro a partir do qual cada linha da tabela é gerada.

← Voltar para LLMs locais avançados