Ollama Cloud Explicado: Modelos em Nuvem, Planos e Auto-Hospedagem

«Ollama Cloud» agora significa duas coisas diferentes. A primeira é o serviço próprio da Ollama: modelos na nuvem que rodam nos servidores da Ollama, pagos por token ou através de um plano mensal, que você acessa a partir do app Ollama, da CLI ou de uma API que usa o mesmo /api/chat formato de requisição que Ollama local. A segunda é auto-hospedagem: executar o servidor Ollama de código aberto em uma instância GPU que você aluga da AWS, Google Cloud, Azure ou outro provedor, pago por hora. Este guia cobre ambas, como seus custos se comparam com GPUs locais e APIs hospedadas, e o que você sacrifica em privacidade e controle.

O que significa Ollama Cloud

Quando as pessoas dizem «Ollama cloud», elas significam uma de três coisas:

1. Modelos em nuvem próprios da Ollama: um serviço hospedado executado pela Ollama. Os modelos rodam na infraestrutura da Ollama, que sua página de preços diz estar principalmente nos Estados Unidos, e você paga por token ou através de um plano mensal. A próxima seção o cobre.
2. Ollama auto-hospedado em máquinas virtuais na nuvem: Você aluga uma máquina virtual com GPU da AWS EC2, Google Compute Engine, Azure, Lambda Labs ou RunPod, instala o Ollama manualmente e executa modelos nela. Você gerencia a instância, mas não adquire hardware físico.
3. Serviços gerenciados de Ollama: Plataformas de terceiros que pré-instalam Ollama, lidam com escalonamento e o cobram por requisição ou por minuto. Essas são menos comuns e tipicamente construídas sobre a abordagem auto-hospedada.

Todos os três contrastam com executar Ollama localmente em seu próprio desktop ou servidor. Quando você faz auto-hospedagem, o binário Ollama, a biblioteca de modelos, a CLI e a API permanecem idênticos e apenas o local de execução muda; a nuvem própria da Ollama oferece sua própria lista de modelos hospedados.

Modelos em Nuvem Oficiais da Ollama

A documentação da nuvem da Ollama descreve modelos em nuvem como uma forma de executar modelos nos servidores da Ollama a partir de seus apps ou seu terminal, sem baixá-los primeiro. Há duas formas de entrar:

• A partir do app Ollama ou CLI. Executar ollama (ou abra o app), siga os prompts de configuração e faça login. Modelos em nuvem têm uma tag de nuvem; o exemplo da documentação é gemma4:cloud.
• Diretamente pela API. Crie uma chave em ollama.com/settings/keys, configure-a como OLLAMA_API_KEY, and send requests to https://ollama.com/api/chat e envie requisições para com um cabeçalho Authorization: Bearer . Nenhuma instalação local é necessária, o texto da resposta está emmessage.content e nomes de modelos vêm dehttps://ollama.com/api/tags. Ollama diz que clientes compatíveis com OpenAI e Anthropic também funcionam, com cobertura API parcial.

export OLLAMA_API_KEY="your_api_key"
curl https://ollama.com/api/chat -H "Authorization: Bearer $OLLAMA_API_KEY" -H "Content-Type: application/json" -d '{"model": "gemma4:31b", "messages": [{"role": "user", "content": "Hello"}], "stream": false}'

Planos listados em página de preços da Ollama, verificado em 6 de novembro de 2026 (dólares americanos):

Plano	Preço	Uso em nuvem incluído	Requisições concorrentes
Pagamento conforme o uso	$0, sem assinatura	Pagamento por token com créditos de uso	3
Pro	$20/mês ou $200/ano	$60 de créditos de uso por mês	3
Máximo	$100/mês	$300 de créditos de uso por mês	10
Team (acesso antecipado)	$500/mês	$1.000 de créditos de uso por mês, compartilhados pela equipe	10
Enterprise	Personalizado	Preço por volume	Não listado

O uso incluído é reiniciado a cada mês e não é acumulado. Requisições acima do seu limite de concorrência esperam em uma fila de tamanho fixo e são rejeitadas uma vez que ela fica cheia, e executar modelos em seu próprio hardware permanece ilimitado. Sobre privacidade, a documentação da Ollama diz que processa prompts e respostas em nuvem para responder suas requisições e não os usa para treinar modelos. Se você apenas quer modelos locais, a Perguntas frequentes explica como desativar os recursos de nuvem.

Ollama Auto-Hospedado em uma VM em Nuvem vs Ollama Local

Dimensão	Ollama Local	Ollama na Nuvem
Custo do hardware	Compra de GPU antecipada	Aluguel por hora; a taxa depende da GPU, região e camada (veja a seção de preços)
Velocidade de inferência	Depende da sua GPU; sem latência de rede	Depende da GPU alugada; adiciona uma volta de rede a cada requisição
Privacidade	Os prompts nunca deixam sua máquina	Os prompts e respostas trafegam pela rede; o provedor de nuvem tem acesso aos metadados do tráfego
Dimensionamento (scaling)	Fixo pelo seu hardware	Possibilidade de iniciar instâncias maiores ou adicionais sob demanda
Manutenção	Você gerencia o sistema operacional, os drivers e as atualizações do Ollama	Você gerencia a VM (no caso de auto-hospedagem) ou a plataforma faz isso (nos serviços gerenciados)
Disponibilidade	Limitado ao tempo de atividade (uptime) de sua máquina	Sempre ativo, desde que você mantenha a instância em execução; você paga mesmo durante períodos de ociosidade

A experiência funcional é idêntica. Um script que chama curl http://localhost:11434/api/generate funciona sem alterações se você substituir localhost pelo endereço IP público da sua instância na nuvem.

Compatibilidade de CLI e API

A CLI e a API REST do Ollama são independentes do meio de transporte. Para apontar a CLI para uma instância na nuvem em vez de um servidor local:

export OLLAMA_HOST=http://203.0.113.42:11434
ollama run llama3.1:8b

Substitua 203.0.113.42 pelo endereço IP público da sua VM na nuvem. O modelo será baixado para a instância na nuvem e a inferência será executada lá. Seu terminal transmite as respostas de volta pela rede.

Para clientes da API, basta alterar a URL base:

curl http://203.0.113.42:11434/api/generate -d '{
  "model": "llama3.1:8b",
  "prompt": "Explique redes neurais em uma frase."
}'

Todos os endpoints (/api/generate, /api/chat, /api/embeddings) se comportam de forma idêntica. As bibliotecas cliente (Python, JavaScript, Go) aceitam um parâmetro personalizado de host:

import ollama
client = ollama.Client(host='http://203.0.113.42:11434')
response = client.chat(model='llama3.1:8b', messages=[...])

Nenhuma alteração no código é necessária além da modificação da URL do endpoint.

Quais modelos estão disponíveis

Quando você usa self-host, todos os modelos na biblioteca Ollama funcionam em uma instância de nuvem. O Lista de modelos do Ollama biblioteca inclui Llama 3.1, Mistral, Gemma 2, Qwen, Phi, DeepSeeke dezenas de outros. A disponibilidade dos modelos não é restringida pelo local onde o Ollama é executado.

A restrição principal é a memória VRAM da GPU. Uma instância na nuvem com uma NVIDIA L4 (24 GB de VRAM) pode executar os mesmos modelos quantizados que uma RTX 4090 local. Uma instância menor com 16 GB de VRAM fica limitada a modelos menores ou a quantizações mais agressivas, exatamente como ocorre com hardware local. Use o calculadora de VRAM calculador de requisitos de VRAM

Precificação: nuvem versus local versus serviços de API

Os preços de GPU na nuvem mudam frequentemente e diferem por região e por tier (on-demand, spot ou community), então verifique a página de preços do provedor antes de fazer o orçamento. Dois exemplos, verificados em 6 de novembro de 2026:

• RunPod: seu preços do Runway lista um pod RTX 4090 (24 GB) a $0,89 por hora no Secure Cloud e $0,34 por hora no Community Cloud, e um A40 a $0,59 por hora no Secure Cloud.
• AWS: um g5.xlarge a instância tem uma GPU NVIDIA A10G com 24 GB de memória, suficiente para modelos 7B e 8B; a taxa horária para sua região está na página de preços on-demand do EC2.

Executar uma instância 24 horas por dia custa sua taxa horária vezes aproximadamente 730 horas por mês, então o pod RTX 4090 de $0,89 por hora acima sai por aproximadamente $650 por mês. Nesse nível de uso, comprar uma placa comparável da sua conta pode se pagar em alguns meses. O calculadora de self-hosting vs API modela isso considerando diferentes padrões de uso.

O ponto de equilíbrio varia conforme a taxa de utilização:

• Uso intensivo (8+ horas/dia): O hardware local se paga em poucos meses.
• Uso intermitente (algumas horas/semana): As instâncias em nuvem são vantajosas; você paga apenas pelas horas efetivamente utilizadas.
• Cargas de trabalho pontuais (burst): A nuvem permite alugar uma GPU de alto desempenho para uma tarefa curta, sem precisar comprá-la.

Compare isso com serviços de API hospedados como OpenAI, Anthropic ou Groq, que cobram por token. As APIs hospedadas também servem modelos abertos pequenos como Llama 3.1 8B, e suas taxas por token diferem bastante entre provedores. Se isso é mais barato do que Ollama na nuvem depende do seu volume de requisições e comprimento médio de resposta. O Calculadora de custos de API detalha essa comparação por modelo e uso mensal.

Privacidade e controle de dados

Executar o Ollama localmente significa que seus prompts, as saídas dos modelos e quaisquer documentos processados nunca deixam sua máquina. Isso é essencial em setores regulamentados (saúde, jurídico, finanças) ou quando se lida com dados proprietários.

Executar o Ollama em uma VM na nuvem introduz os seguintes riscos:

• Tráfego de rede: Os prompts e respostas trafegam entre seu cliente e a instância em nuvem, potencialmente pela internet pública, a menos que você utilize uma VPN ou rede privada.
• Acesso do provedor de nuvem: AWS, Google e Azure têm acesso técnico à memória e ao disco de sua VM. Embora assumam compromissos contratuais de não inspecionar dados dos clientes, essa possibilidade ainda existe.
• Logs e metadados: Os provedores de nuvem registram conexões de rede, chamadas à API de gerenciamento e eventos de faturamento. Esses logs revelam quando você está executando inferência e quanto poder computacional está utilizando, mesmo que não revelem o conteúdo dos prompts.
• Localização dos dados (data residency): Sua VM é executada em uma região específica da AWS ou em uma zona do GCP. Caso seu quadro de conformidade restrinja a localização dos dados, você deverá escolher uma região adequada.

Se seu modelo de ameaça incluir atores estatais ou intimações judiciais dirigidas ao provedor de nuvem, a inferência local é a única opção viável. Se você prioriza custo e conveniência e seus dados não forem sensíveis, o hospedagem em nuvem é uma alternativa viável.

Quando escolher a nuvem em vez de hardware local

Escolher Ollama na nuvem quando:

• Você precisa acessar modelos de linguagem de grande porte (LLMs), mas não possui uma GPU nem pode justificar o custo inicial de uma GPU capaz.
• Seu uso é intermitente — algumas horas por semana ou mês — e você prefere pagar pelo poder computacional apenas enquanto o utiliza.
• Você precisa escalar temporariamente para uma grande tarefa em lote e depois reduzir novamente a escala.
• Você está fazendo protótipos e deseja testar diferentes tipos de GPU (16 GB, 24 GB, 40 GB) antes de investir em hardware.
• Você está desenvolvendo um serviço que exige tempo de atividade (uptime) contínuo e redundância 24/7, e gerenciar seu próprio hardware de servidor não é viável.

Escolher Ollama local quando:

• Você já possui uma GPU com 12 GB ou mais de VRAM, ou está disposto a adquiri-la.
• Você executa inferência diariamente por várias horas; o hardware se paga rapidamente.
• A privacidade é imprescindível — seus dados não podem sair de suas instalações.
• Você deseja custos zero por requisição e despesas previsíveis.
• Você está offline ou em uma rede com restrições de acesso de saída.

O calculadora de self-hosting vs API permite que você insira seu uso mensal esperado (horas de inferência, número de requisições, tokens médios por requisição) e compare o custo de comprar uma GPU, alugar uma instância de nuvem ou usar um serviço de API hospedado. Execute com seus próprios números antes de alugar ou comprar.

Configurando o Ollama em uma Instância na Nuvem

O processo é o mesmo em todos os provedores: inicie uma instância com GPU, acesse-a via SSH, instale o Ollama e libere a porta 11434.

AWS EC2

1. Inicie uma instância g5.xlarge ou g5.2xlarge (Ubuntu 22.04 LTS, GPU NVIDIA A10G).
2. Acesse a instância via SSH: ssh -i sua-chave.pem ubuntu@<ip-da-instância>
3. Instale o Ollama: curl -fsSL https://ollama.com/install.sh | sh
4. Inicie o Ollama: ollama serve (ou configure-o como um serviço systemd).
5. Baixe um modelo: ollama pull llama3.1:8b
6. Configure o grupo de segurança para permitir tráfego TCP de entrada na porta 11434 proveniente do seu IP.

Google Cloud Platform

1. Crie uma VM do Compute Engine com GPU T4 ou A100 (selecione uma família de máquinas compatível com GPU).
2. Acesse via SSH pelo console do GCP ou gcloud compute ssh.
3. Instale o Ollama: curl -fsSL https://ollama.com/install.sh | sh
4. Inicie o Ollama: ollama serve
5. Atualize as regras de firewall para permitir o TCP 11434 a partir do seu intervalo de IPs.

Lambda Labs ou RunPod

1. Alugue uma instância com uma GPU RTX 4090 ou A10.
2. Conecte-se via SSH usando as credenciais fornecidas.
3. Instale o Ollama: curl -fsSL https://ollama.com/install.sh | sh
4. Inicie o Ollama e baixe os modelos conforme indicado acima.

Para uso em produção, execute o Ollama como um serviço systemd, para que ele seja reiniciado automaticamente após cada reinicialização, e utilize um proxy reverso (Nginx ou Caddy) com TLS caso você o exponha à internet pública.

Qualquer Provedor: A Imagem Docker Oficial

Em qualquer host GPU que execute Docker, o guia Docker do Ollama inicia o servidor com um comando, uma vez que o NVIDIA Container Toolkit está instalado e o Docker está configurado para usar o driver NVIDIA:

docker run -d --gpus=all -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

O volume nomeado mantém os modelos baixados quando o contêiner é substituído. Se você publicar a porta 11434 além do host, coloque autenticação na frente, conforme descrito na pergunta de segurança abaixo.

Considerações de Desempenho

Instâncias de nuvem adicionam latência de rede. Uma instância de nuvem adiciona a viagem de ida e volta da sua máquina para o data center a cada requisição, e esse atraso cresce com a distância, então escolha uma região próxima a você e seus usuários. Para chat interativo, isso é perceptível mas não debilitante. Para cargas em lote, é negligenciável.

A velocidade de geração de tokens depende da GPU, não da localização. Uma GPU A10G na AWS gera tokens à mesma taxa que uma A10G em sua mesa. No entanto, instâncias na nuvem podem sofrer com o efeito de "vizinhos barulhentos": outras máquinas virtuais no mesmo host físico podem degradar o desempenho. Instâncias dedicadas ou aluguéis de GPUs bare-metal eliminam esse problema, mas têm custo mais elevado.

Duas configurações importam mais que o provedor. A primeira é comprimento de contexto: o Perguntas frequentes Ollama fornece a janela de contexto padrão como 4096 tokens e mostra como aumentá-la para todo o servidor com OLLAMA_CONTEXT_LENGTH=8192 ollama serve, ou por modelo com o num_ctx parâmetro (veja o referência Modelfile). Uma janela maior usa mais VRAM. A segunda é onde um modelo foi realmente carregado, que ollama ps mostra: de acordo com o mesmo FAQ, a coluna Processor mostra uma divisão como 48%/52% CPU/GPU quando parte do modelo não cabe na GPU, o que reduz drasticamente a geração. Instâncias spot ou preemptivas custam menos que as on-demand, mas podem ser reclamadas com pouco aviso, então guarde-as para trabalhos em lote que podem reiniciar.

Perguntas frequentes

Existe um serviço oficial de Ollama Cloud?

Sim. Ollama executa seus próprios modelos na nuvem, que você pode usar pelo app ou CLI do Ollama depois de fazer login, ou através da API em https://ollama.com/api/chat com uma chave de API. Seu preços do Runway (verificado em 6 de novembro de 2026) oferece uso pay-as-you-go sem assinatura, além de planos Pro ($20 por mês) e Max ($100 por mês) que incluem créditos de uso mensal. Você ainda pode usar self-host do servidor open-source em uma GPU alugada.

Posso usar o Ollama Cloud com os mesmos modelos que executo localmente?

Em uma instância de nuvem auto-hospedada, sim: qualquer modelo que você baixar com ollama pull funciona localmente lá. A nuvem própria do Ollama tem uma lista separada de modelos hospedados, publicada em e nomes de modelos vêm de. A única restrição é VRAM: certifique-se de que sua GPU na nuvem tem memória suficiente para o modelo e nível de quantização que você deseja. Verifique Requisitos de VRAM por modelo para associar modelos aos tipos de instância.

Como proteger o Ollama executando em uma instância na nuvem?

Por padrão, o Ollama escuta na interface 127.0.0.1:11434, que não é acessível de fora da máquina virtual. Para expô-lo, defina OLLAMA_HOST=0.0.0.0:11434 antes de iniciar o servidor. Em seguida, restrinja o acesso por meio das regras de firewall da nuvem (grupos de segurança da AWS, regras de firewall do GCP) para permitir apenas seu endereço IP ou sua VPN. Para produção, coloque o Ollama atrás de um proxy reverso com TLS e autenticação (autenticação HTTP básica, chaves de API ou OAuth). Nunca exponha um servidor Ollama sem autenticação à internet pública — isso permitiria que qualquer pessoa executasse modelos arbitrários às suas custas.

O que é mais econômico: usar o Ollama em uma GPU na nuvem ou a API da OpenAI?

Depende do uso. Uma GPU alugada custa o mesmo por hora se estiver ocupada ou ociosa, então seu custo por milhão de tokens é a taxa horária dividida pelos milhões de tokens que ela realmente gera nessa hora. Mantida ocupada com muitas requisições, pode superar os preços de API por token para modelos do mesmo tamanho; usada levemente, cada token custa muito mais do que em uma API que cobra apenas pelo que você usa. As APIs hospedadas também lidam com escalabilidade, uptime e atualizações de modelo para você. Use o calculadora de self-hosting vs API para modelar sua carga de trabalho específica.

Executar o Ollama na nuvem torna meus dados menos privados?

Sim, comparado com inferência totalmente local. Seus prompts e saídas do modelo trafegam pela rede e chegam a uma VM à qual o provedor de nuvem tem acesso raiz. Se a privacidade é crítica — ao lidar com dados de saúde protegidos por HIPAA, documentos legais sob sigilo profissional advogado-cliente, ou código proprietário — execute Ollama localmente. Se seus dados não são sensíveis ou você confia nos compromissos contratuais do seu provedor de nuvem, a hospedagem em nuvem é uma troca razoável por custo e conveniência.

Posso executar vários modelos em uma única instância na nuvem?

Sim, desde que a instância tenha memória VRAM suficiente para manter todos os modelos simultaneamente na memória. O Ollama carrega os modelos sob demanda e os mantém na VRAM até que a pressão de memória os descarte. Uma instância com 24 GB de VRAM pode manter, ao mesmo tempo, o Llama 3.1 8B (cerca de 8 GB para quantização Q8) e Mistral 7B (tamanho similar). Alternar entre modelos já carregados é instantâneo; carregar um novo modelo do disco leva alguns segundos.