Instale o Ollama num VPS, baixe Llama 3.2 ou Qwen 2.5 e exponha uma API compatível com OpenAI via systemd. Números realistas de RAM e o que um VPS de 12 € realmente roda.
Não precisa de uma quinta de GPUs para executar um modelo de linguagem útil. Os modelos pequenos respondem depressa no CPU e mantêm os seus dados no seu servidor - este guia define expectativas com números reais.
| Modelo | RAM necessária (q4) | Em disco | Velocidade no CPU (medida) | Bom para |
|---|---|---|---|---|
| qwen3:0.6b | ~1 GB | ~1 GB | muito rápido | Encaminhamento, classificação, testes |
| llama3.2:3b | ~4 GB | ~2 GB | ~10–20 tokens/s | Chat, resumos, rascunhos |
| qwen2.5:7b | ~8 GB | ~5 GB | ~4–8 tokens/s | Melhor qualidade, ainda utilizável |
| deepseek-r1:14b | ~16 GB | ~9 GB | mais lento | Raciocínio, respostas passo a passo |
| qwen3:32b | ~24–32 GB | ~20 GB | muito mais lento no CPU | Rascunhos de código locais, RAG |
| llama3.3:70b | ~64 GB | ~43 GB | Classe GPU - não para um VPS com CPU | Cargas pesadas numa máquina com GPU |
Os valores de RAM são os mínimos oficiais do Ollama para pesos quantizados a 4 bits; a coluna de disco é o espaço que o ficheiro do modelo realmente ocupa. As velocidades vêm das nossas próprias medições de CPU - o hardware está documentado na página de benchmarks. Seja honesto consigo: um modelo 7B no CPU escreve mais devagar do que você lê. Para bots de chat e processamento em lote serve; para assistentes de programação interativos não - mantenha o modelo num plano de 8 GB e funciona sem drama.
curl -fsSL https://ollama.com/install.sh | sh systemctl enable --now ollama ollama pull llama3.2:3b ollama run llama3.2:3b "Say hello in one short sentence."
Os modelos ficam guardados em `/usr/share/ollama/.ollama/models` - alguns gigabytes cada, por isso verifique o disco livre com `df -h` antes de descarregar vários.
O Ollama fala o formato da API da OpenAI na porta 11434. Qualquer cliente que suporte um URL base personalizado funciona:
curl http://127.0.0.1:11434/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model":"llama3.2:3b","messages":[{"role":"user","content":"Hello"}]}'O Ollama não tem autenticação integrada: qualquer pessoa que alcance a porta 11434 pode descarregar e apagar os seus modelos e usar o CPU. Não o exponha ao mundo. Mantenha a API em localhost ou coloque-a atrás do Caddy com um token:
apt install -y caddy
cat > /etc/caddy/Caddyfile <<'EOF'
llm.example.com {
@auth header Authorization "Bearer long-random-token"
handle @auth {
reverse_proxy 127.0.0.1:11434
}
respond 401
}
EOF
systemctl reload caddyDepois aponte o seu cliente para `https://llm.example.com/v1` com esse token.
Resuma pedidos de suporte para o Telegram. Classifique mensagens recebidas. Gere rascunhos para um bot. Calcule embeddings para um pequeno índice de pesquisa. Tudo fica no seu servidor: sem chaves de API, sem faturas por token, sem dados a sair da máquina.
ollama ps # what is loaded right now ollama list # downloaded models journalctl -u ollama -f
Os modelos mais descarregados de 2026 são o DeepSeek-R1, o Qwen 3 e o gpt-oss - as suas variantes pequenas destiladas correm nos mesmos planos da tabela acima. A biblioteca do Ollama mostra a lista de hoje. `ollama pull <tag>` descarrega um modelo, repetir o mesmo pull atualiza-o para os pesos mais recentes e `ollama rm <tag>` devolve o espaço em disco.
Verifique a sua versão com `ollama --version`; as versões estáveis são publicadas na página de releases do Ollama. Para atualizar o próprio Ollama, execute de novo o script de instalação da secção 2 - o systemd reinicia o serviço com o novo binário.
O tamanho do contexto é o segundo maior consumidor de RAM depois do ficheiro do modelo: o Ollama usa 4k tokens por omissão e a memória cresce com contexto × pedidos paralelos. Agentes e assistentes de programação querem 32k+, por isso só aumente quando precisar:
ollama --version # installed build ollama pull qwen3:8b # download or update a model ollama rm qwen2.5:7b # free disk space systemctl edit ollama # add: Environment="OLLAMA_CONTEXT_LENGTH=16384"
Para modelos pequenos, sim. Um modelo 3B responde a pedidos simples em alguns segundos num conjunto de núcleos Ryzen 9, e as tarefas em lote não se importam nada com a velocidade. Os modelos grandes de 30B+ precisam de GPU - alugue uma quando precisar.
Não. O Ollama corre por omissão em CPU com modelos quantizados. As GPUs aceleram os modelos grandes, mas tudo o que está na tabela acima corre à vontade num plano Buran normal.
Um modelo 7B q4 precisa de cerca de 8 GB de RAM - o Core VPS 4 de 12 €/mês executa-o à vontade. Os modelos de 13–14B querem 16 GB (Core VPS 6, 16 €/mês) e o de 32B quer 24–32 GB (Core VPS 8, 30 €/mês). Um modelo 70B q4 precisa de ~64 GB, o que já é território de VDS - alugue uma máquina com GPU quando realmente precisar dessa classe.
O ficheiro do modelo é apenas o mínimo. O Ollama também guarda em RAM a cache KV do contexto ativo - os 4k por omissão custam pouco, 32k num modelo 7B acrescentam vários GB e os pedidos paralelos multiplicam isso. Se expõe a API a vários utilizadores, escolha um plano um nível acima do tamanho do modelo.
Comece pequeno: execute um modelo 7B num Core VPS 4 com 8 GB por 12 €/mês.