Ollama requisitos mínimos 2026: hardware necessário para LLMs locais
O Ollama é a forma mais simples de executar LLMs locais em 2026. Um único comando descarrega e instala o modelo, uma API REST disponível imediatamente, e suporte multi-plataforma decente. Mas "instalar Ollama" não significa "executar Llama 70B sem sofrimento". O hardware continua a contar muito. Este guia diz-te exactamente o que precisas conforme os modelos que vais usar.
O que é o Ollama
O Ollama é um runtime open-source para LLMs locais baseado em llama.cpp. Gere descarga, quantização, contexto e serving num só binário. Suporta Mac, Windows, Linux e, em 2026, também Snapdragon X2 via build ARM nativa.
A sua vantagem sobre llama.cpp puro é a abstracção: não tocas em ficheiros GGUF directamente, não compilas com flags CUDA, não brigas com dependências. ollama run llama3.1 e tens um modelo a responder.
Requisitos mínimos por SO
Windows
- SO: Windows 10 22H2 ou Windows 11.
- RAM: 8 GB mínimo, 16 GB recomendado.
- GPU: opcional. NVIDIA com CUDA 12+ acelera bastante. AMD com ROCm experimental.
- Espaço em disco: 5 GB para o Ollama + tamanho dos modelos (2-50 GB cada).
macOS
- SO: macOS 12 (Monterey) ou superior. Recomendado 14+.
- Apple Silicon: M1 ou superior. M5 ideal.
- RAM (unified): 8 GB mínimo, 16 GB recomendado, 32 GB+ para modelos 13B-30B.
- Espaço em disco: 5 GB + modelos.
Linux
- Kernel: 5.10 ou superior.
- RAM: 8 GB mínimo, 16 GB recomendado.
- GPU: NVIDIA recomendada com drivers oficiais e CUDA 12+.
- Espaço em disco: 5 GB + modelos.
Hardware por modelo em Ollama
Modelos pequenos — Llama 3.2 1B, 3B, Phi-3 mini, Qwen 2.5 1.5B
- RAM mínima: 8 GB.
- VRAM (opcional): 2-3 GB para aceleração.
- Throughput sem GPU: 15-30 tokens/s em CPU moderno.
Estes modelos servem para autocomplete, classificação, tradução simples, geração de tags. Qualidade inferior a ChatGPT-3.5 mas rápidos e baratos de executar.
Modelos médios — Llama 3.1 8B, Mistral 7B, Qwen 2.5 7B
- RAM mínima: 16 GB.
- VRAM ideal: 6 GB (Q4_K_M) ou mais.
- Throughput com RTX 4060: 25-40 tokens/s.
- Throughput CPU only (Intel Core Ultra 7): 4-7 tokens/s.
Ponto óptimo para uso diário em portátil. Qualidade próxima de ChatGPT-3.5 em tarefas comuns.
Modelos grandes — Llama 3.1 13B, Qwen 2.5 14B, DeepSeek R1 14B
- RAM mínima: 32 GB.
- VRAM ideal: 8-10 GB (Q4) ou 11-12 GB (Q5).
- Throughput com RTX 4080: 25-35 tokens/s.
Qualidade notável, aproxima-se de GPT-4 mini em muitas tarefas. Detalhe no nosso guia quanta RAM para ChatGPT local.
Extra grandes — Qwen 32B, DeepSeek R1 32B, Llama 3.3 30B
- RAM mínima: 48 GB.
- VRAM ideal: 18-20 GB.
- Throughput com RTX 5080: 10-15 tokens/s.
Em portátil só viável com RTX 5080+ ou Mac M5 Pro/Max.
Massivos — Llama 3.3 70B, DeepSeek R1 70B
- RAM mínima: 64 GB.
- VRAM ideal: 40+ GB (offload necessário em portátil consumer).
- Em Mac M5 Max 96 GB unified: 8-15 tokens/s.
- Em PC com RTX 5090 (24 GB) + 64 GB RAM: 2-6 tokens/s.
Qualidade séria. Substitui GPT-4 em muitas tarefas. Limitação: lentidão excepto em hardware muito potente.
Setup com GPU vs CPU only
GPU NVIDIA com CUDA
O Ollama detecta automaticamente a GPU e usa-a. Para modelos que cabem em VRAM, o throughput é 5-10x superior ao CPU only.
Para confirmar que o Ollama está a usar a GPU:
``bash ollama run llama3.1 ``
Enquanto gera, abre outro terminal:
``bash nvidia-smi ``
Deves ver ollama a usar a GPU a 80-100%.
CPU only
Funciona mas é limitado. Para modelos até 7B em Q4 é utilizável (4-10 tokens/s). Para 13B+ sem GPU, a experiência é inviável excepto para batch processing.
Apple Silicon
O Ollama corre nativamente em Metal (a API gráfica da Apple). Aproveita a unified memory: o que conta é a RAM total, sem distinção VRAM/RAM. Funciona excelentemente e é o setup mais simples sem GPU dedicada.
Optimizações úteis
Quantização
O Ollama usa Q4_K_M por defeito na maioria dos modelos. Para mais qualidade: ollama pull llama3.1:8b-instruct-q5_K_M. Para menos memória: q3_K_M (não recomendado, qualidade cai).
Tamanho do contexto
Por defeito o Ollama usa o contexto do modelo (4K-128K conforme modelo). Reduzi-lo poupa RAM:
``bash OLLAMA_NUM_CTX=4096 ollama run llama3.1 ``
Manter o modelo carregado
Por defeito o Ollama descarrega o modelo da RAM após 5 minutos sem uso. Para uso interactivo, fixa o keepalive:
``bash OLLAMA_KEEP_ALIVE=24h ``
Comparação com LM Studio e llama.cpp
- Ollama: o mais fácil. Bom para developers que querem API REST imediata. Limitado em personalização avançada.
- LM Studio: GUI agradável, ideal para utilizadores não-CLI. Mais visual, menos automatizável.
- llama.cpp: o mais flexível. Controlo total, mas exige compilação e CLI complicada. Para produção séria ou investigação.
- vLLM: alto desempenho para serving. Para deployments produção, não para uso individual.
Para 80% dos casos, o Ollama é o recomendado.
Recomendações práticas por orçamento
- Testar Ollama sem gastar: qualquer portátil com 16 GB de RAM. Modelos até 8B em Q4. Aceitável.
- Uso diário confortável: portátil com RTX 4060 + 32 GB. Modelos 8B-13B fluidos. Vê que portátil para IA local.
- Profissional: portátil com RTX 5080 + 64 GB ou MacBook Pro M5 Max + 48-96 GB. Modelos 30B-70B viáveis.
Perguntas frequentes
O Ollama funciona sem GPU? Sim, mas modelos grandes são muito lentos. Para 7B sem GPU, 5-10 tokens/s. Para 13B, praticamente inviável interactivamente.
Quanto espaço em disco preciso? Cada modelo pesa 1-50 GB quantizado. Se experimentas com vários, enches 100-200 GB depressa. Mínimo 256 GB livres recomendado, idealmente 1 TB.
O Ollama envia dados para a cloud? Não. Tudo é processado localmente. É um dos atractivos principais para uso com dados sensíveis.
Posso usar o Ollama com Open WebUI ou semelhantes? Sim. O Ollama expõe uma API compatível com OpenAI. Open WebUI, LibreChat, AnythingLLM, todos funcionam com ele.
Como actualizo modelos no Ollama? ollama pull descarrega a versão mais recente. Os pesos são sobrescritos.
Queres saber que portátil específico te serve para o Ollama?
Dá ao assessor IA os modelos que vais executar e o teu orçamento. Recebes o portátil concreto com a VRAM e RAM necessárias e o throughput esperado.