IA pessoal: portáteis, estações de trabalho e as suas capacidades
Atualizado: há 1 dia
A chegada de processadores centrais de elevado desempenho da NVIDIA, AMD e Apple Silicon, juntamente com uma grande quantidade de memória partilhada, tornou a IA local acessível em vários formatos: de computadores portáteis a estações de trabalho domésticas compactas. Esta nova classe de computadores, concebida principalmente para executar modelos de IA localmente, também é por vezes chamada de «computadores agênticos».
Todos partilham uma arquitetura em que o processador e o acelerador gráfico integrado utilizam um grande conjunto comum de memória de alta velocidade. Isto permite manter um modelo LLM grande e com boas capacidades junto das unidades de cálculo, sem transferir constantemente partes do modelo através de uma ligação lenta para uma placa gráfica separada.
A principal razão prática para executar IA localmente é a possibilidade de processar documentos, código-fonte e bases de conhecimento internas sem os enviar para um serviço na nuvem. Para uma empresa, isto é útil e, muitas vezes, essencial ao trabalhar com informação confidencial e um repositório fechado de código empresarial.
Outra vantagem de alojar uma LLM localmente é não pagar por cada pedido à API ao trabalhar com o modelo local. O custo direto do seu funcionamento é a eletricidade necessária para alimentar o computador, mas também é preciso considerar a compra da máquina, que, ainda assim, servirá durante vários anos. A execução local também permite trabalhar sem internet e escolher autonomamente o modelo mais adequado a tarefas específicas (programação, trabalho com agentes, tradução de línguas, geração de imagens, vídeo, áudio, etc.).
Porque é tão importante ter muita memória partilhada?
Um PC comum com uma GPU dedicada também pode ser uma excelente máquina para IA local. Enquanto o modelo escolhido couber inteiramente na VRAM e houver margem para a cache KV e os buffers de trabalho, o acelerador pode processar pedidos muito rapidamente. Por isso, não seria inteiramente correto considerar todos os computadores com uma placa gráfica separada inadequados para trabalhar com IA.
A limitação surge quando um modelo grande (e são precisamente os modelos grandes os mais valiosos e necessários para uso profissional) deixa de caber na memória gráfica. O programa indica falta de memória, transfere parte do trabalho para a CPU e a RAM do sistema, ou carrega pesos a partir da RAM ou de um SSD. Estas transferências e o armazenamento mais lento podem aumentar drasticamente a latência, até a tornar inaceitável para um assistente interativo. Não existe um fator único de perda de velocidade: importam o programa de execução, a proporção de pesos descarregados, o modelo e o equipamento. Na prática, porém, o desempenho nestas situações pode cair 5-10 vezes.
Uma grande quantidade de RAM do sistema junto de uma pequena GPU dedicada não se transforma automaticamente numa quantidade equivalente de VRAM rápida.
As soluções baseadas em NVIDIA RTX/DGX Spark, AMD Ryzen AI Max e Apple Silicon Max/Ultra têm outra prioridade: uma grande quantidade de memória partilhada acessível ao acelerador gráfico dentro da arquitetura suportada. Isto alarga a escolha de modelos grandes.
128GB ou mais é a referência escolhida neste artigo para modelos grandes capazes de realizar tarefas para as quais os utilizadores costumam recorrer a modelos na nuvem através de uma API ou de uma subscrição. Para modelos especializados mais pequenos ou experiências com modelos ultraquantizados e destilados e uma janela de contexto limitada, pode bastar menos memória.
Grandes quantidades de memória também dão margem para usar menos compressão dos pesos (e, assim, preservar melhor a qualidade) e uma janela de contexto maior.
Onde a IA local é útil no trabalho diário
Assistente para documentos internos. Se tiver uma grande base de documentação, pode fazer sentido criar um sistema RAG, que primeiro encontra os excertos adequados na base de conhecimento local e depois os envia ao modelo LLM para obter uma resposta com referências aos documentos. Uma LLM pode pesquisar palavras-chave na documentação, mas, se trabalhar com ficheiros de documentos for a tarefa principal, ter RAG pode tornar a pesquisa mais precisa e eficiente, por se tratar de uma base de dados vetorial.
Trabalho com código-fonte. O modelo ajuda a explicar partes do projeto, propor alterações, escrever código e testar. Os melhores modelos da Anthropic ou da OpenAI darão melhores resultados, mas são soluções na nuvem que nem todos podem usar, nem sempre são aplicáveis por motivos de confidencialidade e podem ser muito caras. Se as soluções na nuvem forem permitidas no seu ambiente de trabalho, pode distribuir a carga: delegar operações de rotina a modelos locais e deixar a revisão final e a arquitetura a cargo dos melhores modelos na nuvem.
Execução de testes e operações de rotina em segundo plano (durante a noite). A sua equipa pode ter tarefas recorrentes que devem ser executadas segundo um determinado cenário, evento ou horário e que envolvem ferramentas: análise e interpretação de registos, testes de versões, pesquisa de novos documentos em fontes locais e na internet.
Assistente partilhado para uma pequena equipa. Pode instalar uma estação compacta no escritório e aceder ao modelo local a partir de vários computadores. NVIDIA PAIR consegue distribuir pedidos independentes do Ollama ou do LM Studio pelos sistemas compatíveis ligados.
Geração de imagens. Para um computador com 128GB de memória, vale a pena considerar FLUX.1-dev para imagens: o conjunto escolhido de pesos do Diffusers, juntamente com os codificadores de texto e o VAE, ocupa cerca de 33.74GB. A NVIDIA publica instruções para executar através do ComfyUI no DGX Spark.
Geração de vídeo. Para este caso, um exemplo de modelo local é o Wan2.2-T2V-A14B: o conjunto original, com dois especialistas em FP32, codificador de texto e VAE ocupa cerca de 126.18GB. O seu exemplo oficial para 720p exige pelo menos 80GB.
Síntesis de voz. Para gerar voz em diferentes línguas, pode usar-se Qwen3-TTS-12Hz-1.7B-CustomVoice juntamente com o tokenizador de voz; os ficheiros de pesos ocupam cerca de 4.52GB. Uma alternativa maior é MOSS-TTS-v1.5 com 8B parâmetros: 31 línguas, clonagem de voz a partir de uma amostra, gravações longas, controlo da duração, da pronúncia através de IPA e das pausas. Os pesos principais ocupam cerca de 16.98GB e o obrigatório MOSS-Audio-Tokenizer - mais 7.10GB, num total de cerca de 24.08GB. A licença Apache 2.0 permite a utilização comercial. Trata-se de um conjunto mais amplo de funções, não de uma prova de melhor qualidade de voz em qualquer texto.
Reconhecimento de voz. Para transcrever localmente reuniões, entrevistas e notas de voz, pode usar-se Qwen3-ASR-1.7B: o modelo suporta 30 línguas, incluindo russo, deteção automática da língua e reconhecimento em fluxo contínuo. Os ficheiros de pesos BF16 ocupam cerca de 4.70GB. Para marcas temporais de palavras, usa-se adicionalmente Qwen3-ForcedAligner-0.6B com pesos de cerca de 1.84GB. Ambos os modelos estão disponíveis sob a licença Apache 2.0. O consumo de memória durante a execução supera o tamanho dos ficheiros e depende dos buffers e dos fluxos paralelos.
Ter muita memória partilhada não garante, por si só, a execução: para cada chip, sobretudo AMD e Apple, é preciso verificar a compatibilidade do programa de execução, a quantidade de memória acessível ao acelerador e a precisão suportada.
Que modelos são adequados para computadores com 32-768GB
Embora tenhamos salientado que, para trabalho profissional exigente com modelos capazes de substituir soluções na nuvem em muitas situações, é necessária uma máquina com 128GB de memória, a referência abaixo será o modelo dense Qwen3.8-27B, que também pode ser usado para programação e carregado numa máquina com menos memória.
Ainda assim, as principais referências serão os modelos MoE abertos, atuais e com capacidades muito boas, como o Qwen3.8-Flash-Next e o GLM-5.3-Flash. Qwen3.8 Flash é uma versão para a nuvem, enquanto Flash-Next é uma versão aberta para instalação local.
Nos modelos MoE, apenas parte dos parâmetros está ativa por token, mas é preciso alojar o conjunto completo de pesos na memória.
A quantização dos modelos reduz o tamanho dos pesos e da cache através de uma representação numérica mais compacta; as variantes mistas UD usam precisões diferentes em distintas partes do modelo. A quantização afeta inevitavelmente a qualidade, mas isso depende da sua intensidade. Considera-se que a quantização até 4 bits (Q4) pode ser aceitável no trabalho e que Q8 é frequentemente muito próxima do original. Abaixo apresentam-se GGUF concretos publicados e a soma de todas as partes dos seus pesos. O tamanho do ficheiro não corresponde ao consumo do programa completo: é necessária memória adicional para o sistema operativo, os buffers de trabalho, a cache KV e o comprimento de contexto escolhido.
Se a máquina ou o cluster tiver muita memória livre, podem alojar-se várias cópias do modelo ou modelos diferentes para utilização simultânea.
Memória | Condições de escolha | |||
|---|---|---|---|---|
32GB | Q4 + reserva não cabe | Q4 + reserva não cabe | Qwen27B: o contexto 32K cabe; 64K - no limite; 128K+ não cabem. | |
64GB | Q4 + reserva não cabe | Q4 + reserva não cabe | Qwen27B: cabe contexto até 256K. | |
128GB | Q4 + reserva não cabe | Qwen27B: até 256K. Flash-Next: 32K/64K cabem; 128K - no limite. | ||
192GB | Q4 + reserva não cabe | Qwen27B e Flash-Next: até 256K. | ||
256GB | Cabe contexto até 256K. | |||
512GB | Contexto até 256K. Para um cluster de 4 nós, são necessários mais 36GB para Qwen27B, 60GB para Flash-Next e 72GB para GLM Flash: cada nó precisa de sistema operativo e buffers. | |||
768GB | Contexto até 256K. Para um cluster de 4 nós, são necessários mais 36GB para Qwen27B, 60GB para Flash-Next e 72GB para GLM Flash: cada nó precisa de sistema operativo e buffers. |
Comparação de modelos nas mesmas versões dos testes
Os valores abaixo são percentagens das publicações dos criadores das versões originais, não resultados das versões GGUF quantizadas escolhidas. As mesmas versões dos testes não garantem o mesmo ambiente de agentes e as mesmas definições. Por exemplo, o Qwen3.8-27B foi testado no SWE-bench Pro e no DeepSWE 1.1 com o ambiente de agentes Claude Code e contexto de 256K.
Além dos modelos abertos, a tabela inclui resultados de benchmarks de modelos conhecidos na nuvem como referência.
SWE-bench Pro e DeepSWE mostram o trabalho com código;
Terminal-Bench 2.1 - tarefas de agentes de execução autónoma;
GPQA Diamond e HLE com ferramentas — perguntas difíceis e raciocínio, no segundo caso, com ferramentas.
Modelo e fonte | SWE-bench Pro | Terminal-Bench 2.1 | DeepSWE v1.1 | GPQA Diamond | HLE with tools |
|---|---|---|---|---|---|
61.7 | 73.0 | 42.2 | 89.2 | Sem valor | |
62.5 | Sem valor | 58.7 | 91.7 | Sem valor | |
Sem valor | 84.3 | 63.4 | Sem valor | 55.3 | |
Sem valor | 90.6 | 74.2 | 90.9 | 63.9 | |
Sem valor | Sem valor | Sem valor | Sem valor | 64.5 | |
Sem valor | Sem valor | Sem valor | 89.9 | 49.0 | |
Sem valor | 88.8 | 72.7 | Sem valor | 64.5 | |
53.4 | Sem valor | Sem valor | 91.3 | Sem valor | |
Sem valor | 85.0 | 58.0 | Sem valor | 57.9 |
Comparação do desempenho dos processadores e da velocidade da memória
Os valores máximos abaixo foram retirados da documentação dos fabricantes. O desempenho FP4 da NVIDIA e os TOPS totais da AMD descrevem modos diferentes e não constituem uma classificação direta de velocidade. A Apple não publica uma métrica máxima de IA comparável nas especificações citadas, pelo que são indicados os núcleos de cálculo e a largura de banda da memória.
Chip na configuração superior | Desempenho publicado | Memória e velocidade | Fonte |
|---|---|---|---|
NVIDIA RTX Spark N1X | Até 1PFLOP FP4; CPU com 20 núcleos, GPU com 6144 núcleos CUDA | Até 128GB de memória partilhada; 300GB/s, barramento de 256 bits segundo a documentação da NVIDIA | |
NVIDIA GB10 Grace Blackwell | Até 1PFLOPS FP4 com esparsidade; CPU com 20 núcleos | 128GB LPDDR5X; 273GB/s | |
Ryzen AI Max+ / PRO 395 | 126TOPS no total, NPU até 50TOPS; CPU com 16 núcleos, Radeon 8060S com 40 CU | 128GB; no Framework, LPDDR5X 8000MT/s, 256 bits (cálculo: 256GB/s) | |
Ryzen AI Max+ PRO 495 | 131TOPS no total, NPU até 55TOPS; CPU com 16 núcleos, Radeon 8065S com 40 CU | 192GB no Framework; LPDDR5X 8533MT/s, 256 bits (cálculo: 273.1GB/s) | |
Apple M4 Max | CPU com 16 núcleos, GPU com 40 núcleos, NPU com 16 núcleos | 128GB; 546GB/s | |
Apple M3 Ultra | CPU com 32 núcleos, GPU com 80 núcleos, NPU com 32 núcleos | Até 512GB no lançamento; 819GB/s | |
Apple M5 Max | CPU com 18 núcleos, GPU com 40 núcleos, NPU com 16 núcleos | 128GB; 614GB/s | |
Apple M5 Ultra | CPU com 36 núcleos, GPU com 80 núcleos, NPU com 32 núcleos | Até 512GB; 1.2TB/s |
RTX Spark N1X e GB10 têm arquiteturas próximas: nas versões superiores, ambos têm 20 núcleos Arm de CPU e uma Blackwell GPU com 6144 núcleos CUDA. Contudo, as especificações oficiais do RTX Spark distinguem o N1X para portáteis com TDP de 45-80W e o de secretária com TDP do processador de 140W; o GB10 também tem TDP de 140W. Existe ainda um N1X para portáteis de gama inferior com 18 núcleos de CPU e 5120 núcleos CUDA. Tenha atenção à versão do processador.
Quanto à memória, a NVIDIA indica 300GB/s para o N1X, e 273GB/s para o GB10.
O N1X foi concebido para Windows on Arm e o DGX Spark usa Linux.
Nas fontes verificadas não foi encontrado um teste comparativo do N1X e do GB10 com o mesmo modelo, quantização e contexto, pelo que apenas se pode supor que os resultados do N1X de secretária serão comparáveis aos do GB10.
Para a AMD, existem medições diretas: a Tom's Hardware comparou o Ryzen AI Halo com o Max+ 395 e o Dell Pro Max com o GB10 no llama.cpp a través de llama-benchy. A tabela apresenta os resultados com um contexto de 8192 tokens, entrada de 2048 e resposta de 256 tokens; o autor usou o GGUF Unsloth Q4_K_M. A máquina AMD tinha 128GB de LPDDR5X-8000 e TDP nominal de 120W. TTFT é a latência até ao primeiro token; na geração, mais tokens por segundo significam uma resposta mais rápida.
Modelo testado | AMD 395: TTFT | GB10: TTFT | AMD 395: geração | GB10: geração |
|---|---|---|---|---|
Qwen3.6-35B-A3B | 11.4s | 5.0s | 43.8 tokens/s | 58.9 tokens/s |
gpt-oss-120B | 26.0s | 5.9s | 46.4 tokens/s | 50.7 tokens/s |
Nestes dois testes, o GB10 vence tanto em TTFT como na velocidade de geração. O autor observa que colocar a entrada em cache pode reduzir a diferença de TTFT.
A velocidade da tarefa completa do agente pode dar outro resultado. No teste HEPA da própria AMD, ambas as máquinas executaram o Qwen3.6-35B-A3B em formato de 4 bits e prepararam uma apresentação a partir dos mesmos documentos locais. O AMD Halo concluiu o trabalho em 311.6s e o DGX Spark em 367.1s, embora a fase específica de GPU tenha sido mais rápida no Spark: 137.2s contra 159.5s. Sete das oito fases decorreram na CPU. Este é um exemplo de um teste concreto do fabricante: para um agente, também vale a pena medir o tempo até ao resultado final, incluindo pesquisa, processamento de documentos e verificação da resposta.
Para comparar soluções da Apple e da NVIDIA, o criador EXO indica cerca de 26TFLOPS FP16 para o M3 Ultra e cerca de 100TFLOPS FP16 para o DGX Spark. Estas estimativas dão uma diferença de cerca de 3.8 vezes no desempenho máximo em FP16, mas não garantem essa diferença na velocidade de uma LLM local.
O que importa mais para a velocidade: memória ou unidades de cálculo?
Ao gerar uma resposta, um modelo dense (por exemplo, Qwen3.8-27B) usa todas as suas camadas e pesos. Com um ou alguns pedidos, o acelerador fica muitas vezes à espera da leitura de dados, pelo que a largura de banda da memória é importante: influencia a velocidade a que aparecem os tokens seguintes.
Durante o prefill, o computador processa o texto de entrada e cria a cache KV; uma entrada longa dá mais oportunidades de cálculo matricial paralelo. Nesta fase de prefill, unidades de cálculo potentes podem reduzir a espera pelo primeiro token. O efeito de grandes lotes de pedidos e a previsão são abordados num artigo separado da NVIDIA.
Para um agente que recebe contexto repetidamente e devolve uma resposta curta ou uma chamada de ferramenta, o prefill pode representar uma parte significativa da espera. Os modelos MoE referidos, Qwen3.8-Flash-Next e GLM-5.3-Flash, também usam apenas especialistas selecionados, reduzindo a exigência de velocidade da memória (em comparação com modelos dense), embora esta continue a ser um fator importante no desempenho global.
O criador do EXO mediu o mesmo modelo Llama-3.1 8B FP16: entrada de 8192 tokens, resposta de 32 tokens. No DGX Spark, o prefill demorou 1.47s, a geração 2.87s, num total de 4.34s; no M3 Ultra Mac Studio, 5.57s, 0.85s e 6.42s. Neste teste, o Spark venceu no processamento da entrada e o Mac na geração.
Clusters: 512GB na NVIDIA e 768GB na AMD
No DGX Spark com GB10, cada máquina na versão superior tem 128GB. Quatro máquinas dão 512GB no total. NVIDIA Sync suporta a configuração deste cluster; para quatro nós, é necessário um comutador de rede QSFP adequado, enquanto uma ligação direta serve para configurações mais pequenas.
A AMD também oferece uma via para execução distribuída: a empresa publica um exemplo com quatro nós e llama.cpp RPC. Além disso, a Framework anuncia a ligação de quatro Desktop com Ryzen AI Max+ PRO 495 e 192GB por nó - até 768GB no total.
Em ambos os casos, a soma da memória não se transforma automaticamente num único espaço de endereçamento. O programa de orquestração tem de distribuir o modelo pelos nós; a velocidade depende da rede e do método de paralelização.
Pode configurar-se um cluster para alojar um modelo grande, acelerar um pedido individual ou aumentar o desempenho total do serviço. Para isso, usam-se várias estratégias de distribuição:
Tensor parallel: os nós calculam simultaneamente partes das matrizes das mesmas camadas. Processam o pedido em conjunto, mas trocam resultados frequentemente.
Expert parallel: os especialistas MoE ficam em nós diferentes e os tokens são enviados aos especialistas necessários. A paralelização pode ajudar, mas as transferências de dados e a carga desigual podem anular o ganho.
Pipeline parallel: grupos de camadas são divididos em fases sequenciais. Um token percorre-as por ordem; vários pedidos ou microlotes podem ocupar fases diferentes em simultâneo. Podem ocorrer períodos de inatividade na pipeline, mas é um cenário eficiente com um grande fluxo de tarefas sequenciais.
Data parallel: cópias diferentes do modelo atendem a pedidos independentes. Isto aumenta a capacidade total do serviço se houver memória suficiente para as cópias, sem acelerar automaticamente um pedido individual.
Os modos podem combinar-se, por exemplo, tensor + pipeline ou tensor + expert, se o programa escolhido o suportar. Ter quatro nós não garante, por si só, uma aceleração: importam a rede, a sincronização, o tamanho do lote e o equilíbrio da carga. A NVIDIA explica, em separado, como escolher a divisão do modelo para o equipamento.
Para o DGX Spark, existe uma receita oficial de vLLM para dois nós: Qwen3.8-27B NVFP4, tensor parallel em dois nós e agrupamento contínuo de vários pedidos num lote. Este exemplo mostra que o cálculo conjunto do modelo também pode responder a pedidos paralelos.
Soluções para modelos de IA locais dos principais fabricantes de computadores
As tabelas apresentam famílias de computadores cujas configurações superiores têm 128GB ou mais.
Indica-se separadamente o protocolo de carregamento que o adaptador deve suportar e a potência necessária para alimentar o computador.
Portáteis e estações de trabalho com NVIDIA RTX Spark N1X
Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Documentação e loja |
|---|---|---|
Acer SFF RTX Spark | NVIDIA RTX Spark | até 128GB de memória unificada | - | |
ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
ASUS ProArt GR1X | NVIDIA RTX Spark N1X | 64/128GB de memória partilhada | USB-C PD IN, EPR PD 3.1; adaptador de 240W incluído; a potência de entrada necessária e o perfil não estão indicados | |
Dell Creator Edition Desktop | NVIDIA RTX Spark | até 128GB de memória unificada | - | |
Dell XPS 16 Creator Edition | N1X | 128GB | Power Delivery está indicado em três portas USB-C 4.0 | |
HP OmniBook Ultra 16, 16-bk0000 | N1X | 32-128GB | PD3.2 USB-C 140W | |
HP OmniBook X 14 | NVIDIA RTX Spark N1X | até 128GB de memória unificada | USB PD 3.2; USB-C GaN adaptador 140W | |
Lenovo Yoga Pro 9n / Pro 9n 15 Gen 11 | N1X | 32-128GB | USB-C PD 3.0; um adaptador USB-C de 140W é fornecido com determinadas configurações; a potência máxima de entrada não está indicada. | |
Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, mínimo 115W | |
Microsoft Surface RTX Spark Dev Box | NVIDIA RTX Spark | 128GB de memória unificada | - | |
MSI EdgeMesa N AI+ | NVIDIA RTX Spark N1X | até 128GB LPDDR5X de memória unificada | USB-C PD IN; adaptador 240W | |
MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65-140W |
Estações de trabalho NVIDIA GB10 / DGX Spark
Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Documentação e loja |
|---|---|---|
Acer Veriton GN100 | GB10 | 128GB | Fonte de alimentação USB-C de 240W incluída | |
ASUS Ascent GX10 | GB10 | 64/128GB | PD3.1 EPR. A ficha técnica indica entrada até 180W; fonte de alimentação incluída de 240W | |
Dell Pro Precision with GB10 (FCM1253; anteriormente Dell Pro Max with GB10) | GB10 | 128GB | Fonte de alimentação USB-C de origem de 280W, 48V5.83A; versão PD não indicada. Este é um modo não normalizado de 240W-48V5A | |
GIGABYTE AI TOP ATOM | GB10 | 128GB | USB-C PD IN; adaptador de 240W incluído; a potência de entrada necessária, o perfil de tensão e a versão PD não estão indicados. | |
HP ZGX Nano G1n AI | GB10 | 128GB | Entrada USB-C dedicada, fonte de alimentação de 240W. | |
Lenovo ThinkStation PGX | GB10 | 128GB | Entrada USB-C dedicada com USB PD 3.1; fonte de alimentação incluída de 240W | |
MSI EdgeXpert MS-C931 | GB10 | 128GB | Fonte de alimentação de origem USB PD 3.1 240W, 48V5A | |
NVIDIA DGX Spark | GB10 | 128GB | USB-C PD3.1 240W de origem | |
PNY NVIDIA DGX Spark | GB10 | 128GB | Fonte de alimentação incluída, potência e modo PD não indicados |
Ryzen AI Max+ 395 e novos modelos com 192GB
Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Outra entrada DC ou fonte de alimentação de rede | Documentação e loja |
|---|---|---|---|
Acer Veriton RA110 | Max+ 395 | 128GB | - | Conector DC separado na parte traseira; a potência do adaptador incluído não está indicada na fonte consultada. | |
AMD Ryzen AI Halo | Max+ 395 | 128GB | Entrada USB-C dedicada para carregamento com a fonte de alimentação de origem | - | |
AMD Ryzen AI Halo | Max+ PRO 495 | 192GB de memória unificada | - | - | |
ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Suporta USB PD 45-100W | Entrada DC retangular: fonte de alimentação de 200W, 20V10A | |
ASUS ROG Flow Z13 GZ302 | Max+ 395 na versão superior | 32-128GB | USB PD 3.0, 45-100W | Entrada DC retangular: fonte de alimentação de 200W, 20V10A | |
Beelink GTR9 Pro | Max+ 395 | 128GB | - | Fonte de alimentação interna de rede de 230W | |
CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | Fonte de alimentação interna Flex ATX de 300W | |
Framework Desktop | 32/64/128/192GB; Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | Fonte de alimentação interna Flex ATX de 400W | |
GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de memória partilhada | A entrada USB-C PD não está indicada nos materiais consultados | DC-in; adaptador de 330W incluído | |
GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | DC5525: fonte de alimentação de 19.5V11.8A, cerca de 230W | |
GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de memória unificada | A alimentação de entrada por USB-C não é suportada | DC IN 19.5V16.9A, 330W; conector 5.5 x 2.5 mm | |
HP Z2 Mini G1a | Max+ PRO 395 na versão superior | 16-128GB | - | Fonte de alimentação interna de rede de 300W | |
HP ZBook Ultra 14 G1a | Max+ PRO 395 na versão superior | 16-128GB | Fonte de alimentação USB-C de 140W | - | |
HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | até 192GB de memória unificada | - | - | |
Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | até 128GB de memória unificada | - | - | |
MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | Fonte de alimentação interna de rede de 320W | |
MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de memória unificada | - | Fonte de alimentação interna 320W | |
MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | Entrada USB PD não indicada; ambas as portas USB-C: saída PD de 15W | Fonte de alimentação interna de rede Flex de 300W |
Apple Silicon: as duas gerações mais recentes
Para o MacBook Pro, consideram-se M5 Max e M4 Max com GPU de 40 núcleos e 128GB. Para o Mac Studio, a geração M5 Max / M5 Ultra e a anterior M4 Max / M3 Ultra. A Apple anunciou a versão M3 Ultra de 512GB no lançamento, mas a página atual de especificações indica um máximo de 256GB.
Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Outra entrada DC ou fonte de alimentação de rede | Documentação e loja |
|---|---|---|---|
MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.0 (<100W) | MagSafe 3: a partir de PD 3.0 | Especificações | Carregamento rápido | Amazon.com(36Gb) |
MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.1 (140W) | MagSafe 3: a partir de PD 3.1 | Especificações | Carregamento rápido | Amazon.com(48Gb) |
Mac Studio (2025) | M4 Max | 36-128GB; 128GB exige GPU de 40 núcleos | - | Fonte de alimentação interna de rede; 480W | Especificações | Amazon.com(36Gb) |
Mac Studio (2025) | M3 Ultra | 96-256GB na especificação atual; 512GB no lançamento | - | Fonte de alimentação interna de rede; 480W | Especificações | Amazon.com(256Gb)O |
Mac Studio | M5 Ultra | 96/256/512GB; 512GB: entregas mais tarde em outubro de 2026 | - | Fonte de alimentação interna de rede; 480W | |
MacBook Pro 14" | M5 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.0 (<100W) | MagSafe 3: a partir de PD 3.0 | Especificações | Carregamento rápido | Amazon.com(128Gb) |
MacBook Pro 16" | M5 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.1 (140W) | MagSafe 3: a partir de PD 3.1 | |
Mac Studio | M5 Max | 36-128GB; 128GB exige GPU de 40 núcleos | - | Fonte de alimentação interna de rede; 480W | Especificações | Amazon.com(36Gb) |
O MagSafe 3 no MacBook é um conector proprietário no portátil que recebe alimentação de um adaptador USB-C através do cabo correspondente.
Como garantir uma alimentação elétrica fiável ao computador
Verifique o conteúdo da embalagem: algumas configurações de computadores são vendidas sem adaptador (sobretudo na Europa), enquanto outras o incluem.
Um computador que vá trabalhar com um modelo de IA local durante muitas horas por dia precisa de uma fonte fiável, capaz de fornecer a potência necessária continuamente e sem falhas.
Compare a tensão, a corrente, o protocolo e o cabo permitido com a documentação da máquina específica. Se o fabricante exigir uma fonte de alimentação proprietária ou um modo não normalizado, a presença de uma porta USB-C não justifica substituí-la por qualquer carregador potente.
Se escolher uma fonte de alimentação com várias portas, tenha em atenção a potência fornecida por uma só porta e a forma como muda ao ligar um segundo dispositivo (se este cenário for relevante para si).