O cenário dos LLMs de código aberto em 2026 é o mais forte de todos os tempos. É possível igualar o desempenho da classe GPT-4 com pesos abertos, superá-lo em tarefas específicas e executar tudo localmente, desde que se tenha o hardware adequado. A pergunta é: qual modelo é realmente o melhor, e qual é o custo em termos de hardware para executá-lo?
Este guia cobre os LLMs de peso aberto estabelecidos que as pessoas executam localmente, emparelhados com a camada de hardware que cada um exige, e aponta para os novos líderes de peso aberto classificados por um índice independente.
Principais conclusões
- Modelos de peso aberto mais fortes em outubro de 2026: Kimi K3, GLM 5.2 e DeepSeek V4-Pro, pelo Artificial Analysis Intelligence Index. Entre os modelos locais estabelecidos, Llama 3.1 405B é a maior opção densa (requer 200+ GB de memória).
- Melhor modelo na classe 70B: Qwen 2.5 72B Instruct — supera o Llama 3 70B na maioria dos benchmarks em 2026.
- Melhor modelo na classe 30B: Qwen 2.5 32B — funciona em uma GPU de 24 GB em Q4_K_M (o arquivo Q5_K_M de 23,3 GB é muito apertado após o contexto ser adicionado).
- Melhor modelo na classe 7–14B: Phi-4 14B — raciocínio excepcional para seu tamanho.
- Melhor modelo MoE (intensivo em memória, rápido por token): DeepSeek V3 (671B / 37B ativo).
Os novos líderes de peso aberto (outubro de 2026)
Classificados pelo Artificial Analysis Intelligence Index, um composto de avaliações independentes rastreadas em Convly models database, os modelos de peso aberto mais fortes são Kimi K3 (57), GLM 5.2 (51,1) e DeepSeek V4-Pro (44,3), seguidos por Kimi K2.7 Code (42) e DeepSeek V4-Flash (40,3). A maioria é muito grande para executar em casa em qualidade total; a classificação completa e ordenável com preços está em Ranking de LLMs.
Modelos de peso aberto estabelecidos que as pessoas executam localmente
Estes são os modelos de peso aberto amplamente usados com builds GGUF maduros e bom suporte de ferramentas. São mais antigos que os líderes acima, mas são os que a maioria dos setups locais executa hoje:
| Modelo | Parâmetros | Lançado |
|---|---|---|
| Llama 3.1 405B | 405 B densos | Jul 2024 |
| DeepSeek V3 | 671 B MoE (37 B ativo) | Dez 2024 |
| Mistral Large 2 | 123 B densos | Jul 2024 |
| Qwen 2.5 72B Instruct | 72 B densos | Set 2024 |
| Llama 3 70B Instruct | 70 B densos | Abr 2024 |
| Command R+ 104B | 104 B densos | Abr 2024 |
| Mixtral 8x22B | 141 B MoE (39 B ativos) | Abr 2024 |
| Qwen 2.5 32B Instruct | 32 B denso | Set 2024 |
| Phi-4 (14 B) | 14 B denso | Dez 2024 |
| Llama 3 8B Instruct | 8 B denso | Abr 2024 |
As classificações são atualizadas trimestralmente conforme novos modelos são lançados. Novas versões de peso aberto, incluindo Llama 4 da Meta (abril de 2025), ainda não foram pontuadas nesta tabela.
Hardware necessário por modelo (quantização Q4_K_M, contexto de 8 K)
| Modelo | Memória necessária | Hardware consumidor mais econômico | Como se encaixa |
|---|---|---|---|
| Llama 3 8B | 4,9 GB | RTX 3060 12 GB ($280) | Cabe com espaço para contexto longo |
| Phi-4 14B | 9.1 GB | RTX 3060 12 GB ($280) | Encaixa em 8 K de contexto |
| Qwen 2.5 14B | 9,0 GB | RTX 4060 Ti 16 GB ($430) | Encaixa com espaço |
| Qwen 2.5 32B | 19,8 GB | RTX 4090 (24 GB utilizados, $1.300) | Encaixa em 8 K; Q5_K_M (23,3 GB) é muito apertado |
| Llama 3 70B | 42,5 GB | 2× RTX 3090 (48 GB total) | Dividido entre as duas placas; uma única RTX 5090 de 32 GB mantém apenas ~3-bit (IQ3_XXS, 27,5 GB) |
| Qwen 2.5 72B | 47,4 GB | 2× RTX 3090 (48 GB total) ou um Mac de 64 GB+ | Muito apertado em 48 GB (apenas contexto curto); uma única RTX 5090 mantém apenas ~2-bit (IQ2_M, 29,3 GB) |
| Command R+ 104B | 62,7 GB | 3× RTX 3090 (72 GB) ou M5 Max 128 GB | Encaixa; 2× RTX 4090 (48 GB) mantém apenas ~3-bit (Q3_K_S, 45,9 GB) |
| Mistral Large 2 123B | 73,2 GB | M5 Max 128 GB ou NVIDIA DGX Spark (128 GB) | Encaixa com espaço para contexto |
| Mixtral 8x22B | 85,1 GB | M5 Max 128 GB ou NVIDIA DGX Spark | Encaixa; MoE (39 B ativo), então mais rápido por token do que seu tamanho sugere |
| DeepSeek V3 671B | 404,4 GB | Mac Studio M5 Ultra 512 GB ou um servidor multi-GPU | Encaixa em 512 GB |
| Llama 3.1 405B | 244,5 GB | Mac Studio M5 Ultra 512 GB ou um servidor multi-GPU | Encaixa em 512 GB |
Para os requisitos completos de VRAM em todos os níveis de quantização, consulte nossa folha de referência de VRAM.
O que executar na prática, conforme o caso de uso
Conversas diárias / perguntas e respostas: O Llama 3 8B é realmente bom em 2026. Cabe em qualquer GPU com 12+ GB de VRAM. Experimente o Phi-4 14B para um raciocínio aprimorado, com custo marginal de memória.
Assistente de programação: Qwen 2.5 32B Instruct ou DeepSeek V3 são os melhores. Se apenas 24 GB VRAM, use Qwen 32B em Q4_K_M; se mais memória, DeepSeek V3 é superior.
Análise de documentos extensos (contexto de 32K+): O Qwen 2.5 72B apresenta o melhor desempenho em contextos longos entre os modelos abertos em 2026.
Tradução / multilíngue: Novamente o Qwen 2.5 72B — o treinamento da Alibaba em chinês e outras línguas lhe confere uma vantagem real.
Matemática e raciocínio: O Phi-4 (14B) supera sua categoria nos benchmarks de raciocínio. Para raciocínio de ponta, prefira o Llama 3.1 405B.
Escrita criativa / interpretação de papéis: O Mistral Large 2 possui a melhor ‘voz’ entre os modelos abertos, embora os benchmarks o posicionem ligeiramente abaixo do Qwen 72B.
Inferência em produção em larga escala: O DeepSeek V3 (MoE) é o vencedor em eficiência de custo — qualidade de ponta com velocidade de inferência equivalente à de modelos com número ativo de parâmetros menor.
Compromissos envolvidos na quantização
Os números acima assumem a quantização Q4_K_M, o melhor equilíbrio entre tamanho e qualidade em 2026. Referência:
- FP16 (sem quantização): ~2× mais memória, ~1–2% melhor qualidade. Raramente vale a pena.
- Q8_0: ~1,6× mais memória, qualidade indistinguível da FP16.
- Q5_K_M: ~1,17× a memória da Q4_K_M, com ganho de 0,5–1% em qualidade. Vale a pena se você tiver margem de memória disponível.
- Q4_K_M: A quantização recomendada. Melhor equilíbrio.
- Q3_K_M: ~0,82× da memória, queda de 4–7% na qualidade. Regressões visíveis.
- IQ2_XXS: ~0,59× da memória, queda de 15–25% na qualidade. Apenas para situações de emergência.
O guia completo de quantização está em Requisitos de VRAM para todos os principais LLMs.
Prós e contras (modelos abertos vs. fechados em 2026)
Pontos fortes dos LLMs de código aberto em 2026
- Os melhores modelos abertos igualam o desempenho da classe GPT-4
- Privacidade total local + sem custos de API
- Personalizáveis / ajustáveis por fine-tuning
- Múltiplas arquiteturas (densas, MoE) para diferentes compromissos
Limitações
- Os custos com hardware somam-se — de US$ 3.000 a US$ 12.000 para configurações locais de ponta
- Os melhores modelos fechados (GPT-5, Claude Opus 4.7) ainda lideram em raciocínio
- A latência em hardware consumidor é mais lenta que na nuvem
- Carga operacional de manutenção (atualizações, drivers, quantização)
A alavanca de software: seu mecanismo de inferência altera a resposta
O ranking acima supõe que você carrega um modelo inteiramente na VRAM e o executa. Na prática, o mecanismo de inferência que você escolhe pode variar o throughput real no mundo físico em até uma ordem de grandeza no mesmo mesmo hardware, e uma única técnica pode permitir que um modelo seja executado em uma GPU considerada, segundo a tabela, muito pequena. Escolher hardware sem definir o runtime equivale a tomar apenas metade da decisão.
Dois grupos são relevantes para quem hospeda modelos localmente. vLLM (e mecanismos de throughput similares, como o SGLang) são projetados para concorrência: seu agendador de processamento contínuo mantém a GPU saturada, de modo que uma única placa servindo muitas requisições simultâneas pode entregar várias vezes mais tokens por segundo no total do que uma configuração ingênua. Se você está desenvolvendo um aplicativo, uma API interna ou qualquer solução multiusuário, esse é o grupo ideal. llama.cpp (e as interfaces construídas sobre ele, Ollama e LM Studio) prioriza um único usuário e a máxima flexibilidade: funciona em quase qualquer dispositivo, lida com quantizações GGUF e — crucialmente — pode descarregar partes de um modelo para a memória RAM do sistema. Nos chips Apple Silicon, o runtime MLX desempenha o mesmo papel voltado ao único usuário e extrai o máximo proveito da memória unificada.
Essa capacidade de descarregamento é o que torna os modelos maiores acessíveis. Modelos baseados em mistura de especialistas (MoE), como o DeepSeek V3, possuem uma contagem total de parâmetros enorme, mas ativam apenas uma pequena fração por token. O descarregamento de especialistas do llama.cpp (--n-cpu-moe) mantém as camadas sempre ativas na GPU e transfere os especialistas raramente utilizados para a RAM. O resultado: uma placa com 24 GB de VRAM, combinada com uma grande quantidade de memória RAM rápida, pode executar executar um modelo MoE de ponta que, segundo a tabela de VRAM, não deveria ser capaz de rodar.
A ressalva honesta é quanto à velocidade. O descarregamento troca capacidade por latência. Dependendo do nível de quantização e da largura de banda da sua memória, espere desde menos de um dígito único de tokens por segundo em configurações agressivas até valores na faixa dos 10–15 tokens por segundo — claramente na zona do "funciona tecnicamente", não na do "bate-papo ágil". A alavanca é real, mas serve para acessar um modelo que, de outra forma, seria inacessível, não como um upgrade gratuito.
- Está desenvolvendo para múltiplos usuários? Escolha vLLM ou SGLang e dimensione a VRAM para acomodar totalmente o modelo.
- Para uso individual e deseja o maior modelo possível em hardware modesto? Use o llama.cpp com descarregamento de MoE e invista seu orçamento em RAM e largura de banda de memória, não apenas na GPU.
- Em um Mac? Prefira MLX ou Ollama; a memória unificada já realiza grande parte do trabalho de "descarregamento" automaticamente.
Verifique essas figuras na fonte
Especificações e preços mudam sem aviso. Estas são as próprias páginas dos fornecedores para o que é coberto acima:
Perguntas frequentes
Ainda existem modelos de linguagem de grande porte de código aberto disponíveis em 2026?
Sim, LLMs de código aberto estão amplamente disponíveis em 2026, e vários modelos fechados rivais. Os mais fortes pelo Artificial Analysis Intelligence Index são Kimi K3, GLM 5.2 e DeepSeek V4-Pro; os favoritos locais estabelecidos incluem Llama 3.1 405B (~244,5 GB de memória), Qwen 2.5 72B Instruct, Qwen 2.5 32B (19,8 GB), Phi-4 14B e o DeepSeek V3 MoE (671B total / 37B ativo), todos executáveis localmente com hardware suficiente.
O melhor LLM de código aberto é realmente competitivo com o GPT-4 em 2026?
Para muitas tarefas cotidianas, sim. No Artificial Analysis Intelligence Index, o melhor modelo de peso aberto, Kimi K3, pontua 57, contra 61 para os melhores modelos fechados (Claude Opus 5 e GPT-6 Astra), então a diferença é real mas pequena. Os antigos favoritos locais na tabela acima ficam mais atrás nas tarefas mais difíceis de raciocínio, matemática e agentes.
Por que DeepSeek V3 funciona mais rápido do que seu tamanho sugere?
Modelos MoE (Mixture of Experts) ativam apenas um subconjunto de parâmetros por token. DeepSeek V3 é 671B total mas apenas ~37B ativo por token. Então você obtém o conhecimento de um modelo muito maior na velocidade de inferência de um muito menor — quando a memória se encaixa. É a opção mais prática «qualidade de ponta na velocidade de hardware do consumidor» em 2026.
Devo fazer fine-tuning em um desses modelos ou usá-lo tal como está?
Use-o tal como está para tarefas gerais. Faça fine-tuning apenas se tiver um caso de uso específico e repetitivo (por exemplo, estilo de escrita especializado em determinado domínio, análise de documentos jurídicos) E dispuser de pelo menos 500–1.000 exemplos de treinamento de alta qualidade. O fine-tuning de um modelo de 70B exige hardware robusto.
E quanto ao Llama 4 / novos lançamentos?
Meta lançou Llama 4 em 5 de abril de 2025 como modelos de peso aberto mixture-of-experts: Llama 4 Scout (17B ativo / 109B total de parâmetros) e Llama 4 Maverick (17B ativo / 400B total). No mesmo anúncio, Meta visualizou um Llama 4 Behemoth muito maior (288B ativo, quase 2T total), que disse estar ainda em treinamento. Llama 4 não está na tabela acima; para modelos atuais com pontuação, veja o Ranking de LLMs.
Qual modelo devo executar em um Mac Studio de 128 GB (M4 Max ou M5 Max)?
Melhor opção: Qwen 2.5 72B em Q5_K_M (cerca de 54,4 GB), que deixa bastante espaço para contexto. Para qualidade superior, Mistral Large 2 123B em Q4 se encaixa confortavelmente. Para velocidade MoE, Mixtral 8x22B é excelente.
Modelos menores (abaixo de 7B) valem a pena?
Sim, para casos de uso específicos. O Phi-4 Mini 3,8B, o Gemma 2 2B e o SmolLM 1,7B executam rapidamente em smartphones e dispositivos de borda. Para conversação geral, são perceptivelmente mais fracos que modelos de 8B ou maiores, mas para tarefas específicas (classificação, extração estruturada, tradução simples), são plenamente adequados.
É melhor usar uma GPU grande ou duas GPUs menores para executar esses modelos?
Para inferência pura, uma única placa com VRAM suficiente para acomodar o modelo inteiro é mais simples e evita a sobrecarga de dividir camadas entre dispositivos. Duas placas fazem sentido quando o objetivo é obter mais VRAM total do que qualquer GPU única acessível oferece — por exemplo, combinar duas placas de 24 GB para hospedar um modelo que não cabe em apenas uma. As desvantagens são reais: uma segunda GPU aumenta o consumo de energia, o calor gerado, cria gargalos de largura de banda PCIe entre as placas e exige configurações mais delicadas. Se uma única placa consegue acomodar seu modelo-alvo com uma quantização aceitável, compre essa única placa.
Quanto custa a eletricidade para operar uma LLM local 24/7?
O consumo em ociosidade e uso leve é modesto, mas uma GPU de alto desempenho sob carga contínua pode consumir algumas centenas de watts, o que se acumula caso o equipamento fique ligado permanentemente. A abordagem prática é manter o sistema em modo de suspensão ou descarregar o modelo quando não estiver em uso, ativando-o apenas sob demanda real — a maioria dos runtimes locais carrega e descarrega modelos sob solicitação. Para uso pessoal esporádico, o custo operacional é insignificante; para um modelo que atende tráfego 24 horas por dia, inclua o custo da eletricidade no custo total de propriedade, além do preço do hardware.
Ainda vale a pena executar esses modelos localmente, considerando que as APIs hospedadas são tão baratas?
Depende do motivo pelo qual você opta por hospedagem própria. Se seu único objetivo for o menor custo por token, as APIs hospedadas para esses mesmos modelos de código aberto são difíceis de superar e exigem zero hardware. A hospedagem local é vantajosa quando você precisa garantir que seus dados nunca deixem sua máquina, deseja disponibilidade garantida sem limites de taxa ou cobrança por token, ou realiza trabalhos em lote de alto volume, nos quais o hardware próprio se amortiza. Para a maioria dos usuários casuais, a API é a escolha racional; para casos de uso orientados à privacidade, offline ou com alto throughput, a execução local compensa.
Conclusão
Em 2026, você pode executar capacidade equivalente à do GPT-4 localmente desde que tenha o hardware adequado. A questão é: quanta capacidade você realmente precisa, e qual categoria de hardware corresponde a essa necessidade?
- Classe 8B para uso diário → qualquer PC moderno com 12+ GB de VRAM
- Classe 30B para assistência séria → RTX 4090 / 3090 com 24 GB
- Classe 70B para qualidade aberta de topo → 2× RTX 3090/4090 (48 GB) ou um Mac de 64 GB+ (uma única RTX 5090 apenas em ~3-bit)
- Classe 100B+ para modelos abertos de ponta → M5 Max 128 GB / NVIDIA DGX Spark / build multi-GPU
- Classe 405B para o topo absoluto → Mac Studio M5 Ultra 512 GB ou infraestrutura empresarial
O mercado finalmente se estabilizou em uma pilha onde a IA local é genuinamente competitiva com a nuvem — inclusive com serviços fechados na nuvem. Se você optará pela solução local dependerá principalmente de se a relação custo-benefício do hardware faz sentido para seus padrões de uso.
Para o lado da GPU nessa decisão, consulte nosso melhor Placas de vídeo para LLMs locais guia. Para o lado dos laptops, nosso melhores laptops para ML 2026 abrange as opções portáteis.