Strix Halo (Ryzen AI Max) + Ollama Vulkan: configuração e desempenho
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.
Resposta rápida
Sim — Ryzen AI Max (Strix Halo, RDNA 3.5) executa Ollama via Vulkan no Linux. Com 96 GB de memória unificada no MAX 395, cabe Qwen 32B e até Llama 70B Q4_K_M — modelos que nenhuma GPU desktop individual consegue armazenar.
- ▸Linux: Ollama detecta automaticamente Strix Halo Vulkan; configure OLLAMA_FLASH_ATTENTION=1 para sessões de contexto longo
- ▸Ryzen AI Max 395 (96 GB): cabe Llama 70B Q4_K_M (~41 GB) e Qwen 32B Q4_K_M (~19 GB) simultaneamente na memória
- ▸O caminho Vulkan Windows para Strix Halo é experimental; Linux é a plataforma estável para Ollama com aceleração GPU
Atualizado: 1 de julho de 2026
Pontos principais
- ✓Ryzen AI Max 395 (Strix Halo, 40 CU RDNA 3.5, 96 GB LPDDR5X) usa o backend Vulkan no Ollama no Linux — o caminho GPU correto quando o suporte ROCm iGPU não está disponível
- ✓O pool de 96 GB de memória unificada é a vantagem principal: cabe Llama 70B Q4_K_M (~41 GB) — um modelo que requer múltiplas GPUs desktop em outras configurações
- ✓Velocidade no Ryzen AI Max 395: Llama 3.3 8B ~22 tok/s, Qwen 3 14B ~13 tok/s, Qwen 3 32B ~7 tok/s via Vulkan
- ✓O suporte Windows para Strix Halo no Ollama está amadurecendo; Linux via Vulkan é o caminho estável em meados de 2026
Como executar Ollama com Vulkan no Strix Halo
No Linux, instalar o binário padrão do Ollama é suficiente — ele usa llama.cpp com o backend Vulkan, que suporta RDNA 3.5 (gfx1150) nativamente. Nenhuma instalação adicional de ROCm é necessária para o caminho Vulkan. Execute `curl -fsSL https://ollama.com/install.sh | sh` como de costume.
Após a instalação, defina o flag de flash attention para melhor eficiência de memória em sessões longas: `OLLAMA_FLASH_ATTENTION=1 ollama run qwen2.5:14b`. Isso reduz o uso de memória do KV-cache e é particularmente importante ao executar modelos de 32B ou mais que se aproximam do pool completo de 96 GB.
Para verificar se o Ollama está usando a GPU (e não a CPU), execute `ollama ps` enquanto um modelo estiver ativo. A saída mostra "GPU" na coluna PROCESSOR e um valor VRAM diferente de zero. Se você ver "CPU", o backend Vulkan não foi inicializado — verifique se o pacote `vulkan-icd-loader` está instalado na sua distribuição Linux.
| Modelo | VRAM em Q4_K_M | Velocidade (MAX 395 Vulkan) | Cabe em 96 GB? |
|---|---|---|---|
| Llama 3.3 8B | 4,9 GB | ~22 tok/s | ✓ |
| Qwen 3 14B | 9,3 GB | ~13 tok/s | ✓ |
| Qwen 3 32B | 19,4 GB | ~7 tok/s | ✓ |
| Llama 3.3 70B | ~41 GB | ~3 tok/s | ✓ |
| Qwen 3 72B | ~43 GB | ~3 tok/s | ✓ |
Strix Halo vs RTX 4090: a memória vence, a velocidade perde
O Ryzen AI Max 395 troca velocidade de GPU por capacidade de memória. Uma RTX 4090 executa Llama 3.3 8B a ~45 tok/s versus ~22 tok/s no Strix Halo Vulkan. Para modelos de 7B e 14B, a RTX 4090 é mais rápida. Mas a RTX 4090 está limitada a 24 GB de VRAM — Strix Halo MAX 395 tem 96 GB, permitindo tamanhos de modelos simplesmente impossíveis em uma GPU desktop.
O caso de uso prático para Strix Halo é executar modelos de 32B–70B localmente sem APIs em nuvem. Qwen 3 32B em Q4_K_M (~19 GB) roda a ~7 tok/s — lento para chat interativo, mas adequado para sumarização em lote, processamento de documentos ou trabalhos de fine-tuning noturnos. Llama 3.3 70B em Q4_K_M (~41 GB) é alcançável a ~3 tok/s, adequado para consultas únicas de alta qualidade.
No Windows, Ollama para Strix Halo cai de volta para inferência por CPU por padrão em meados de 2026, pois o suporte ROCm iGPU para gfx1150 ainda não está completo na versão oficial do Ollama Windows. O caminho Vulkan requer compilar llama.cpp do código fonte com `-DGGML_VULKAN=ON`. Linux é recomendado para inferência Strix Halo com aceleração GPU até que o caminho ROCm Windows amadureça.
Para comparação com outro hardware APU Apple Silicon, veja o bite Mac Mini M4 para LLMs locais, que cobre a abordagem alternativa de memória unificada no macOS.
Leituras relacionadas
- ▸Mac Mini M4 para LLMs locais — alternativa Apple de memória unificada ao Strix Halo
- ▸Melhor mini PC para LLM local — comparativo de mini PCs com opções AMD e Apple
- ▸Melhores GPUs econômicas para LLMs locais — opções de GPU discreta para builds Linux desktop