Quanta RAM para executar ChatGPT local em 2026

Executar um LLM local equivalente ao ChatGPT no teu portátil é perfeitamente possível em 2026, mas a pergunta "quanta RAM preciso" depende fortemente do modelo, quantização e plataforma. Resposta curta: 16 GB para começar com modelos 7B, 32 GB para uso confortável, 64 GB para modelos sérios tipo Llama 70B ou os grandes DeepSeek R1. A resposta longa está em baixo.

Porque a RAM é crítica para LLMs locais

Um LLM carregado em memória ocupa espaço proporcional aos seus parâmetros e precisão. Um modelo 7B em precisão completa (FP16) pesa cerca de 14 GB; quantizado em Q4 baixa para 4-5 GB. Mas além do modelo precisas de:

Regra geral: precisas do tamanho do modelo quantizado + 4-6 GB de margem disponíveis em RAM.

Tamanhos de modelo e RAM mínima

Modelos pequenos (1B-3B parâmetros)

Exemplos: Llama 3.2 1B e 3B, Phi-3 mini, Qwen 2.5 1.5B.

Estes modelos servem para autocomplete, classificação, resumos curtos. Qualidade muito abaixo do ChatGPT-4 mas utilizáveis.

Modelos médios (7B-8B)

Exemplos: Llama 3.1 8B, Mistral 7B, DeepSeek R1 7B, Qwen 2.5 7B.

Aqui já tens algo razoavelmente próximo do ChatGPT-3.5. Para uso diário em portátil, é o ponto óptimo.

Modelos grandes (13B-14B)

Exemplos: Llama 3.1 13B, DeepSeek R1 14B.

Qualidade notável, aproxima-se de GPT-4 mini em tarefas comuns. Bom ponto de entrada para uso profissional.

Modelos extra grandes (30B-32B)

Exemplos: Qwen 2.5 32B, DeepSeek R1 32B, Llama 3.3 30B.

Qualidade de chat séria. Lento sem GPU dedicada potente.

Modelos massivos (70B+)

Exemplos: Llama 3.3 70B, DeepSeek R1 70B.

Em portátil, viável apenas com Mac M5 Max + 64-128 GB unified memory. Em PC normal com GPU dedicada precisarias de 2x RTX 4090 (não sustentável em portátil).

Quantização: o que mais influencia

A quantização reduz a precisão dos pesos do modelo para poupar memória. Tipos comuns em GGUF (formato do Ollama, llama.cpp):

Recomendação prática: começa com Q4_K_M. Se a qualidade não te convencer, sobe para Q5. Para tarefas críticas (código, matemática) considera Q6 ou Q8.

Unified memory em Apple Silicon

Uma das grandes vantagens do Mac M5 para LLMs locais: a RAM distribui-se dinamicamente entre CPU e GPU. O que num PC normal seria "preciso de X GB de VRAM na GPU", em Mac é "preciso de X GB livres em RAM total".

Isto permite cenários impensáveis em PC portátil:

Penalização: velocidade bruta por token geralmente 20-40% inferior a uma RTX equivalente, mas em portátil isto raramente importa porque o throughput continua utilizável (5-20 tokens/s).

VRAM dedicada vs RAM de sistema

Em PC Windows/Linux com NVIDIA, preferes que o modelo inteiro caiba em VRAM. Se parte fica em RAM (offload), a velocidade cai 5-10x.

Regras:

Mais detalhe sobre escolha de GPU no nosso guia que RTX para LLM.

Recomendações práticas por orçamento

Perguntas frequentes

Posso executar LLMs com só 8 GB de RAM? Sim, mas limitado a modelos 1B-3B. A experiência é muito inferior ao ChatGPT e só serve para casos específicos (autocomplete, classificação).

Quanta RAM para manter contexto longo? O contexto consome RAM extra. Modelos 7B com 32K tokens de contexto precisam de ~2-3 GB extra. Modelos 70B com 128K tokens consomem ~10 GB extra.

Melhor RAM rápida (DDR5-6400) ou mais quantidade (DDR5-5600)? Para LLMs, prioriza a quantidade. A diferença de velocidade entre DDR5-5600 e 6400 é de 5-10% em inferência. Subir de 32 para 64 GB abre-te um mundo inteiro de modelos.

A quantização afecta a qualidade da resposta? Sim, mas pouco. Q4_K_M perde 1-3% em benchmarks face a FP16. Em uso real quase não se nota, excepto em tarefas de raciocínio muito complexo.

Ainda não sabes que setup precisas?

Dá ao assessor IA os modelos que queres executar (DeepSeek R1, Llama 70B, Qwen 32B...) e o teu orçamento. Saberás o portátil específico que os suporta.

Ainda em dúvida? Conte seu uso e orçamento ao consultor IA — você receberá uma recomendação específica com marcas e modelos atuais.

🤖 Falar com o consultor IA

Você também pode gostar