IA pessoal: portáteis, estações de trabalho e as suas capacidades (parte 2)
Atualizado: há 7 dias
Na primeira parte deste artigo analisámos as tarefas para LLM locais e as arquiteturas de computador adequadas, comparámos o seu desempenho e explicámos como o processador e a memória influenciam a velocidade.
Na segunda parte veremos quais os modelos LLM que cabem inteiramente na memória do computador e o que são capazes de fazer. Depois compararemos portáteis e estações de trabalho disponíveis com diferentes arquiteturas, que os fabricantes propõem para trabalhar com LLM locais.
Quais os modelos LLM adequados para computadores com 32-768GB de memória
As promessas publicitárias de executar modelos com centenas de milhares de milhões de parâmetros devem ser lidas com as respetivas condições: a AMD anuncia 300B no Ryzen AI Halo com 192GB de memória, mas com quantização de 4 bits. Isso corresponde a cerca de 150GB apenas para os pesos, sem consumo adicional, enquanto a versão completa BF16/FP16 exige 4 vezes mais memória: 600GB! Ainda mais elucidativo é o exemplo da Framework: para um computador com 64GB, a empresa recomenda Qwen3.5-122B-A10B com quantização de 3 bits Q3_K_S e indica um consumo de memória de 52.5GB, enquanto só os pesos BF16/FP16 exigiriam cerca de 244GB. Analise estas promessas com cuidado, pois uma quantização agressiva para 2-3 bits pode prejudicar significativamente as respostas e o comportamento do modelo.
Neste artigo, centramo-nos em computadores com pelo menos 128GB de memória para trabalho profissional com modelos grandes capazes de substituir soluções cloud em muitas tarefas. Para tarefas de programação mais simples também serve um computador com menos memória. Por isso, a comparação inclui igualmente o modelo dense Qwen3.8-27B.
A principal referência para sistemas com 128GB+ são os modernos modelos MoE abertos Qwen3.8-Flash-Next e GLM-5.3-Flash. Qwen3.8 Flash é uma versão cloud, enquanto Flash-Next é uma versão aberta para execução local.
Ao processar cada token, um modelo MoE utiliza apenas parte dos parâmetros, reduzindo a quantidade de cálculos. No entanto, é preciso colocar todo o conjunto de pesos na memória, pelo que uma grande capacidade continua a ser importante.
A quantização dos pesos e da cache KV reduz a sua dimensão através de uma representação mais compacta dos números. O efeito na qualidade depende do modelo, da tarefa e do grau de compressão: Q4 pode ser aceitável para trabalhar, e Q8 aproxima-se frequentemente da qualidade do modelo original. Abaixo são indicadas as versões GGUF concretas publicadas e a dimensão total de todos os ficheiros de pesos de cada versão.
Pode encontrar modelos para execução local no Hugging Face, onde são publicados os pesos originais, instruções e versões quantizadas prontas. Antes de descarregar, verifique o autor, a licença, o tamanho dos ficheiros e a compatibilidade com o programa escolhido: o llama.cpp normalmente exige o formato GGUF, enquanto o MLX no Mac precisa de uma versão compatível com MLX. Também pode procurar e descarregar modelos diretamente no LM Studio ou escolher um pacote pronto na biblioteca do Ollama.
Tenha em conta que o tamanho dos ficheiros de pesos do modelo não equivale ao consumo total de memória: é necessária uma reserva para o sistema operativo, os buffers de trabalho e a cache KV, cujo tamanho depende do comprimento do contexto.
Se um computador ou cluster tiver memória livre suficiente, pode alojar várias cópias do mesmo modelo ou modelos diferentes para utilização simultânea.
No Windows e Linux, é cómodo começar com LM Studio com interface gráfica ou Ollama; para uma configuração mais flexível e uma API local, pode usar llama.cpp. Nos Macs com Apple Silicon estão disponíveis as mesmas ferramentas, além de MLX LM, desenvolvido para esta plataforma; a aceleração GPU utiliza Metal. No DGX Spark com DGX OS, um Linux baseado em Ubuntu, pode executar compilações CUDA do llama.cpp e, para servir vários pedidos, utilizar vLLM seguindo as instruções da NVIDIA; a compilação do programa ou o contentor deve suportar ARM64 e a GPU GB10.
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 programadores das versões originais, não resultados das versões GGUF quantizadas selecionadas.
Os resultados também dependem do ambiente agêntico (harness) e das definições: versões iguais dos testes não significam condições iguais. Por exemplo, Qwen3.8-27B foi testado em SWE-bench Pro e DeepSWE 1.1 com o ambiente agêntico Claude Code e um contexto de 256K.
Além dos modelos abertos, a tabela inclui resultados de benchmarks de modelos conhecidos na nuvem como referência.
Alguns benchmarks populares:
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 |
Computadores disponíveis para modelos de IA locais
As tabelas abaixo apresentam famílias de computadores, com destaque para configurações com 128GB de memória ou mais.
Para cada família são indicados separadamente os requisitos de alimentação: potência do adaptador e protocolo de carregamento suportado.
Portáteis e estações de trabalho com NVIDIA RTX Spark N1X
Portátil | Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Documentação e loja |
|---|---|---|---|
❌ | Acer SFF RTX Spark | N1X | até 128GB | - | |
✅ | ASUS ProArt P16 H7607 | N1X | 32-128GB | PD3.1, 140W | |
✅ | ASUS ProArt P14 H7407 | N1X | 32-128GB | PD3.1, 140W | |
❌ | ASUS ProArt GR1X | N1X | 64/128GB | USB-C EPR PD 3.1(180W); adaptador de 240W incluído | |
❌ | Dell Creator Edition Desktop | N1X | até 128GB | - | |
✅ | 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 | N1X | até 128GB | 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; USB-C adaptador 140W | |
✅ | Lenovo Yoga 9n 2-in-1 Gen 11 16" | N1X | 32-64GB | USB-C PD 3.0; USB-C adaptador 140W | |
✅ | Microsoft Surface Laptop Ultra | N1X | 24-128GB | USB PD 3.1, mínimo 115W | |
❌ | Microsoft Surface RTX Spark Dev Box | N1X | 128GB | - | |
❌ | MSI EdgeMesa N AI+ | N1X | até 128GB | USB-C PD IN; adaptador 240W | |
✅ | MSI Prestige N16 Flip AI+ | N1X | 32-128GB | PD3.1, 65W(20V3.25A)-140W(28V5A) |
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 | |
CyberGeek DGX Spark Compact AI Workstation | GB10 |128GB | Fonte de alimentação USB-C de 240W incluída; utilizar o adaptador fornecido | |
Dell Pro Precision with GB10 (anteriormente Dell Pro Max with GB10) | 64/128GB | Adaptador de alimentação USB-C incluído FCM1253 280W, (perfis de saída: 5V3A, 9V3A, 15V3A, 20V6.5A, 28V5.89A, 36V5.83A, 48V5.83A); A versão de PD não é indicada. No intervalo de 20-48V, estes perfis PD utilizam intensidades de corrente fora da norma! | |
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 AI | GB10 | 64/128GB | 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 |
Portáteis e estações de trabalho com Ryzen AI Max+ 395/495
Os modelos Ryzen AI Max 385/390 e Ryzen AI Max PRO 485/490 com GPU Radeon 8050S não são considerados devido à sua «obsolescência».
Portátil | Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Documentação e loja |
|---|---|---|---|
❌ | Acer Veriton RA110 | Max+ 395 | 64/128GB | - | |
❌ | 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 | Entrada de alimentação USB-C | |
❌ | ACEMAGIC F9A | Max+ PRO 495 | 192GB | - | |
✅ | ASUS ProArt PX13 HN7306 | Max+ 395 | 128GB | Suporta USB PD 45-100W | |
✅ | ASUS ROG Flow Z13 GZ302 | Max+ 395 na versão superior | 32-128GB | USB PD 3.0, 45-100W | |
❌ | Beelink GTR9 Pro | Max+ 395 | 128GB | - | |
❌ | CORSAIR AI Workstation 300 | Max+ 395 | 64/128GB | - | |
❌ | Framework Desktop | Max+ 395: 64/128GB, Max+ PRO 495: 192GB | - | |
❌ | GEEKOM A9 Mega | AMD Ryzen AI Max+ 395 | 128GB de memória partilhada | - | |
❌ | GMKtec EVO-X2 | Max+ 395 | 64-128GB | - | |
❌ | GMKtec EVO-X3 | Max+ 395 | 128GB | - | |
❌ | GMKtec EVO-X5 Pro | Ryzen AI Max+ PRO 495 | 192GB de memória unificada | - | |
❌ | HP Z2 Mini G1a | Max+ PRO 395 na versão superior | 16-128GB | - | |
✅ | HP ZBook Ultra 14 G1a | Max+ PRO 395 na versão superior | 16-128GB | USB-C 140W | |
✅ | HP ZBook Ultra G3a 16 | Ryzen AI Max+ PRO 495 | até 192GB de memória unificada | Entrada USB-C; adaptador recomendado 180W, alternativa 140W | |
❌ | Lenovo ThinkCentre X Ultra | Ryzen AI Max+ PRO 495 | até 128GB de memória unificada | - | |
❌ | MINISFORUM MS-S1 MAX | Max+ 395 | 64/128GB | - | |
❌ | MINISFORUM MS-S1 MAX-P495 | Max+ PRO 495 | 192GB de memória unificada | - | |
❌ | MINISFORUM N5 MAX-P495 | Max+ PRO 495 | 192GB | - | |
❌ | MSI PRO MAX EDGE AI+ 11M | Max+ 395 | 128GB | - |
Portáteis e estações de trabalho com 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.
Portátil | Modelo, chip e intervalo de memória | Carregamento com adaptador USB-C (PD) | Documentação e loja |
|---|---|---|---|
✅ | MacBook Pro 14" (2024) | M4 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.0 (<100W) | |
✅ | MacBook Pro 16" (2024) | M4 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.1 (140W) | |
✅ | MacBook Pro 14" | M5 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.0 (<100W) | |
✅ | MacBook Pro 16" | M5 Max | 36-128GB; 128GB exige GPU de 40 núcleos | PD3.1 (140W) | |
❌ | Mac Studio (2025) | M4 Max | 36-128GB; 128GB exige GPU de 40 núcleos | - | |
❌ | Mac Studio (2025) | M3 Ultra | 96-256GB na especificação atual; 512GB no lançamento | - | |
❌ | Mac Studio | M5 Ultra | 96/256/512GB; 512GB: entregas mais tarde em outubro de 2026 | - | |
❌ | Mac Studio | M5 Max | 36-128GB; 128GB exige GPU de 40 núcleos | - | 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 fiável do computador
Verifique o conteúdo da embalagem: algumas configurações são vendidas sem adaptador, sobretudo na Europa; outras incluem-no.
Para trabalhar diariamente durante várias horas com um modelo de IA local, é necessária uma fonte de alimentação fiável, capaz de fornecer a potência necessária durante períodos prolongados 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 tenciona ligar vários dispositivos a uma fonte de alimentação com várias portas, verifique a potência de uma porta e a sua redistribuição quando são ligados outros dispositivos.