Melhores LLM pequenas para executar localmente: um guia abrangente
MarkdownAs melhores LLM pequenas para executar localmente em 2026 — Qwen3, Gemma 3, Llama 3.2 e Phi-4-mini —, além da memória RAM necessária e de como as executar com Ollama.
Os modelos de linguagem pequenos tornaram-se discretamente numa das ferramentas mais úteis que um programador pode ter no seu próprio computador. Já não precisa de um conjunto de GPU nem de uma fatura de cloud para obter um modelo capaz de responder a perguntas, redigir código e resumir documentos, tudo completamente offline.
O panorama mudou bastante desde os primeiros tempos dos pesos abertos da LLaMA original, Alpaca e GPT-J. Em 2026, um modelo com 4 mil milhões de parâmetros num portátil consegue fazer trabalho que antes exigia algo dez vezes maior. Este guia apresenta as melhores LLM pequenas para executar localmente hoje, o hardware de que precisam e as formas mais simples de as pôr a funcionar.
Resposta rápida. As melhores LLM pequenas para executar localmente em 2026 são Qwen3 (1.7B–14B), Google Gemma 3 (1B–12B), Meta Llama 3.2 (1B/3B) e Microsoft Phi-4-mini (3.8B). Qwen3 é a opção predefinida mais segura para uso geral. Execute-as com Ollama ou LM Studio; a maioria precisa apenas de 8–16 GB de RAM.
O que se considera uma LLM pequena em 2026?
Uma LLM pequena (por vezes designada modelo de linguagem pequeno, ou SLM) é um modelo compacto que pode executar em hardware de consumo, em vez de num cluster de GPU na cloud. Não existe um limite oficial, mas, na prática, os modelos pequenos atuais partilham três características:
- Aproximadamente 0.5B a 14B parâmetros — suficientemente pequenos para que uma versão quantizada caiba na memória de um portátil normal ou de uma única GPU de gama média.
- Funcionam bem após quantização de 4 bits, que reduz o uso de memória em cerca de 4x, com apenas uma pequena perda de qualidade.
- São disponibilizados como pesos abertos, pelo que pode transferi-los, executá-los e, muitas vezes, afiná-los sem uma chave de API.
A principal mudança desde 2023 é a qualidade por parâmetro. Um modelo moderno de 3–4B é afinado para seguir instruções, é multilingue e, muitas vezes, raciocina melhor do que um modelo de 13B de há dois anos. É por isso que os antigos modelos de referência — LLaMA 7B vanilla, Alpaca, Vicuna, GPT-J, GPT-Neo, Falcon 7B — foram substituídos pelas famílias abaixo.
Porquê executar uma LLM pequena localmente?
Executar um modelo no seu próprio computador oferece várias vantagens que uma API alojada não consegue proporcionar:
- Privacidade. Os prompts e os dados nunca saem do seu dispositivo — algo importante para código proprietário e trabalho jurídico ou médico.
- Custo. Sem faturação por token. Depois de transferir o modelo, a inferência é gratuita.
- Utilização offline. Funciona num avião, numa rede segura ou em qualquer lugar sem ligação fiável à Internet.
- Latência e controlo. Sem ida e volta pela rede, sem limites de pedidos e pode fixar uma versão específica para que o comportamento não mude sem se aperceber.
- Personalização. Pode afinar o modelo ou associar-lhe recuperação de informação para o adaptar ao seu próprio domínio.
Quais são as melhores LLM pequenas para executar localmente em 2026?
Estas são as famílias de modelos que vale a pena transferir em 2026, agrupadas por fabricante e pela utilização a que melhor se adequam.
Qwen3 — a opção predefinida para uso geral
A família Qwen3 da Alibaba tornou-se discretamente a resposta à pergunta «o que devo executar localmente?» para a maioria dos programadores. Abrange uma vasta gama de tamanhos — 0.6B, 1.7B, 4B, 8B e 14B nas versões densas — todos ao abrigo de uma licença permissiva Apache 2.0, sem restrições comerciais.
- Mais adequada para: chat geral, ajuda com programação, refatorização e trabalho multilingue.
- Ponto ideal: Qwen3 8B é amplamente considerada a melhor opção global numa GPU de 8 GB; Qwen3 4B é uma escolha sólida para portáteis apenas com CPU.
- Por que se destaca: elevada qualidade por parâmetro, uma licença clara e excelente suporte de ferramentas.
Google Gemma 3 — potente e multimodal
Google Gemma 3 está disponível nos tamanhos 1B, 4B, 12B e 27B. As variantes 4B e superiores são multimodais (conseguem ler imagens) e suportam mais de 140 idiomas, o que torna Gemma uma boa escolha quando precisa de visão ou de uma ampla cobertura linguística no dispositivo.
- Mais adequada para: entrada multimodal, tarefas multilingues e utilização geral numa máquina com 16 GB (Gemma 3 12B).
- Nota: Gemma é disponibilizada ao abrigo da licença própria da Google — verifique as condições para utilização comercial.
Meta Llama 3.2 — uma forma simples de começar
Os modelos Llama pequenos da Meta — Llama 3.2 1B e 3B — são a forma mais simples de começar. São minúsculos, estão bem documentados, são suportados em todo o lado e são bons em tarefas no dispositivo, como resumos e chat simples.
- Mais adequados para: primeiro modelo local, resumos e assistentes no dispositivo.
- Compromisso: os tamanhos 1B/3B ficam atrás de Qwen3 e Phi-4 em raciocínio difícil, mas é difícil superá-los em velocidade e simplicidade.
Microsoft Phi-4 e Phi-4-mini — raciocínio acima do que o tamanho faria prever
Os modelos Phi da Microsoft são treinados intensivamente com dados selecionados e sintéticos, o que lhes permite superar o que seria de esperar do seu tamanho em matemática, lógica e resolução estruturada de problemas. Phi-4 é um modelo de 14B que compete regularmente com modelos muito maiores em tarefas de raciocínio, enquanto Phi-4-mini (3.8B) é provavelmente o melhor modelo pequeno de raciocínio que pode executar em hardware mínimo — cerca de 3 GB de VRAM a 4 bits. Ambos são disponibilizados ao abrigo de uma licença permissiva MIT.
- Mais adequados para: matemática, lógica e raciocínio passo a passo em hardware modesto.
Mistral 7B — a opção madura, orientada para código
Mistral 7B continua a ser um modelo de trabalho fiável, com um dos maiores ecossistemas de versões afinadas e integrações. Tem licença Apache 2.0, funciona confortavelmente numa GPU de 8 GB e continua a ser uma opção favorita para configurações locais orientadas para código. Os modelos Ministral mais pequenos da Mistral (3B e 8B) alargam a família para utilização em dispositivos de periferia.
- Mais adequado para: programação, um modelo geral com bom suporte e afinação fácil.
Modelos destilados DeepSeek-R1 — para tarefas que exigem muita lógica
A DeepSeek lançou modelos de raciocínio destilados, construídos sobre bases Qwen e Llama (habitualmente 7B, 8B e 14B). Estes modelos trazem o raciocínio ao estilo de cadeia de pensamento para tamanhos que pode executar localmente e são bons a resolver problemas passo a passo. Têm licença MIT e estão disponíveis no Ollama.
- Mais adequados para: raciocínio, matemática e problemas que beneficiam de etapas de pensamento visíveis.
SmolLM2 — quando precisa do modelo mais pequeno possível
SmolLM2 da Hugging Face está disponível nos tamanhos 135M, 360M e 1.7B. São os modelos indicados para hardware muito limitado, navegadores ou dispositivos de periferia. Conseguem resumir e seguir instruções simples, mas não foram concebidos para raciocínio complexo.
- Mais adequado para: RAM extremamente limitada, utilização em sistemas embebidos e dispositivos de periferia, e experimentação.
Tabela comparativa de LLM pequenas
Valores aproximados para versões quantizadas de 4 bits (Q4). O uso real de memória varia consoante o comprimento do contexto e o ambiente de execução.
| Modelo | Parâmetros | RAM/VRAM aproximada (Q4) | Mais adequado para | Licença |
|---|---|---|---|---|
| Qwen3 1.7B | 1.7B | ~2 GB | Chat rápido em qualquer portátil | Apache 2.0 |
| Qwen3 4B | 4B | ~3–4 GB | Chat equilibrado + programação ligeira | Apache 2.0 |
| Qwen3 8B | 8B | ~6–8 GB | Melhor opção geral numa GPU de 8 GB | Apache 2.0 |
| Qwen3 14B | 14B | ~10–12 GB | Programação, refatorização, raciocínio | Apache 2.0 |
| Gemma 3 4B | 4B | ~3–4 GB | Multimodal / mais de 140 idiomas | Gemma |
| Gemma 3 12B | 12B | ~9–10 GB | Uso geral potente em 16 GB | Gemma |
| Llama 3.2 3B | 3B | ~3 GB | Forma simples de começar | Llama |
| Phi-4-mini | 3.8B | ~3 GB | Raciocínio/matemática em hardware limitado | MIT |
| Phi-4 | 14B | ~10–12 GB | Matemática/lógica acima do que o tamanho faria prever | MIT |
| Mistral 7B | 7B | ~5–6 GB | Orientado para código, ecossistema maduro | Apache 2.0 |
| DeepSeek-R1 distill 8B | 8B | ~6–8 GB | Tarefas lógicas, raciocínio passo a passo | MIT |
| SmolLM2 1.7B | 1.7B | ~1.5 GB | Dispositivos de periferia / RAM extremamente limitada | Apache 2.0 |
De quanta RAM e que hardware precisa?
Uma regra prática útil: um modelo quantizado de 4 bits precisa de aproximadamente 0.6–0.75 GB de memória por cada milhar de milhões de parâmetros, mais alguma margem para o contexto. Assim, um modelo 7B precisa de cerca de 5–6 GB e um modelo 14B precisa de cerca de 10–12 GB. As opções disponíveis dependem da memória que tem:
| Tem | Tamanho de modelo confortável | Boas opções |
|---|---|---|
| 8 GB de RAM, sem GPU | 1–4B | Qwen3 4B, Phi-4-mini, Gemma 3 1B, Llama 3.2 3B |
| GPU de 8 GB (VRAM) | 7–8B | Qwen3 8B, Mistral 7B, DeepSeek-R1 distill 8B |
| 16 GB de RAM / VRAM | 12–14B | Gemma 3 12B, Qwen3 14B, Phi-4 |
| GPU de 24 GB+ | 14–32B | Qwen3 32B, variantes maiores de DeepSeek |
Os Macs com Apple Silicon são um caso especial: a memória unificada permite que a GPU use a maior parte da RAM do sistema, pelo que um MacBook com processador da série M e 16–32 GB pode executar modelos que exigiriam uma GPU dedicada num PC.
Regra de ouro: não comece pelo maior modelo. Comece pelo melhor modelo que o seu hardware consegue executar confortavelmente. Um modelo 4B rápido é melhor do que um modelo 14B que usa memória virtual e responde a um token por segundo.
Como executar uma LLM pequena localmente?
Não precisa de mexer em Python para começar. Três ferramentas abrangem quase todos os casos de utilização:
- Ollama — o caminho mais simples. Instale-o e, em seguida, obtenha e execute um modelo com um único comando. Trata das transferências, da quantização e de uma API compatível com OpenAI em
localhost:11434. - LM Studio — uma aplicação de computador bem concebida, com interface de chat, navegador de modelos e transferências com um clique. É a melhor opção se preferir uma interface gráfica.
- llama.cpp — o motor subjacente em C/C++ que alimenta grande parte do ecossistema. Recorra a ele quando quiser controlo máximo ou executar diretamente ficheiros GGUF em CPU ou Apple Silicon.
Uma primeira execução com Ollama é assim:
# Pull and chat with Qwen3 8B (best all-rounder on an 8 GB GPU)
ollama pull qwen3:8b
ollama run qwen3:8b
# Lighter options for CPU-only laptops
ollama pull qwen3:4b
ollama pull llama3.2:3b
ollama pull phi4-mini
ollama pull gemma3:4b
Depois de um modelo estar em execução, tanto Ollama como LM Studio disponibilizam um ponto de acesso compatível com OpenAI, pelo que pode direcionar as ferramentas e os scripts existentes para o seu modelo local, bastando alterar o URL base.
Como escolher a LLM pequena certa?
Escolha o modelo em função da tarefa, em vez de perseguir posições num ranking:
- Chat geral e tarefas do dia a dia: Qwen3 (4B ou 8B) — a opção predefinida mais segura.
- Programação e refatorização: Qwen3 14B, Mistral ou um modelo DeepSeek-R1 distill numa GPU de 12–16 GB.
- Matemática, lógica e raciocínio em hardware limitado: Phi-4-mini e, depois, Phi-4 se tiver 16 GB.
- Imagens ou muitos idiomas: Gemma 3 4B ou 12B.
- Dimensão mínima absoluta: Llama 3.2 1B, Gemma 3 1B ou SmolLM2.
Quais são os limites das LLM pequenas locais?
Os modelos pequenos são realmente úteis, mas convém saber onde ficam aquém:
- Menos conhecimento do mundo. Sabem menos do que os modelos de ponta na cloud e podem estar errados com toda a confiança; por isso, verifique os factos quando algo for importante.
- Mais fracos em raciocínio muito difícil. Um modelo 3B não iguala um grande modelo alojado em problemas complexos com várias etapas.
- Compromissos entre contexto e velocidade. Contextos longos usam mais memória; em CPU, os modelos grandes podem ser lentos.
- A qualidade varia consoante a tarefa. Um modelo excelente em chat pode ser medíocre em programação. Experimente alguns antes de se decidir.
Em muitos fluxos de trabalho, a solução é a recuperação de informação (RAG) ou uma afinação rápida para fornecer ao modelo os seus próprios dados — ambas são muito mais baratas localmente do que parecem.
Perguntas frequentes
Qual é a melhor LLM pequena para executar localmente em 2026?
Para a maioria das pessoas, Qwen3 8B é a melhor opção geral numa GPU de 8 GB, e Qwen3 4B ou Llama 3.2 3B funcionam bem em portáteis apenas com CPU. Escolha o maior modelo que o seu hardware consiga executar confortavelmente, em vez do maior modelo disponível.
Qual é a LLM mais pequena que se pode executar localmente?
Modelos como SmolLM2 (135M–1.7B), Llama 3.2 1B, Gemma 3 1B e Qwen3 0.6B funcionam em quase qualquer portátil moderno, muitas vezes com menos de 2 GB de RAM quando quantizados a 4 bits. Conseguem resumir e fazer chat simples, mas são fracos em raciocínio complexo.
De quanta RAM preciso para executar localmente uma LLM pequena?
Um modelo 3–4B quantizado a 4 bits precisa de aproximadamente 3–4 GB de RAM ou VRAM disponível; um modelo 7–8B precisa de cerca de 6–8 GB; e um modelo 12–14B precisa de 10–16 GB. 16 GB de RAM do sistema são uma base confortável para a maioria dos modelos pequenos.
Qual é a forma mais simples de executar localmente uma LLM pequena?
Instale Ollama ou LM Studio e, em seguida, obtenha um modelo com um único comando (por exemplo, ollama pull qwen3:8b). Ambos tratam das transferências, da quantização e de uma interface de chat local, e disponibilizam uma API compatível com OpenAI para as suas aplicações.
Posso executar uma LLM pequena sem GPU?
Sim. Com quantização de 4 bits, os modelos até cerca de 7–8B podem ser executados numa CPU moderna e funcionam visivelmente mais depressa nos Macs com Apple Silicon, graças à memória unificada. Conte com velocidades de geração de tokens inferiores às de uma GPU dedicada, mas são utilizáveis para chat e redação de rascunhos.
As LLM pequenas locais são boas para programação?
Podem ser. Qwen3 e os modelos destilados DeepSeek-R1 são fortes em programação entre os modelos pequenos, e Mistral tem um ecossistema maduro, orientado para código. Para refatorização mais exigente, um modelo 14B numa GPU de 12–16 GB oferece a melhor qualidade que pode obter localmente.
Em resumo
As LLM pequenas locais passaram de uma experiência para entusiastas a uma ferramenta prática para o dia a dia. Comece com Qwen3 como opção equilibrada, escolha Phi-4-mini quando precisar de raciocínio em hardware modesto e opte por Gemma 3 quando precisar de visão ou de muitos idiomas — todas ficam prontas em poucos minutos com Ollama ou LM Studio. Para obter ajuda sobre como usar a documentação da Ailoot, consulte a documentação da Ailoot.