Como escolher um modelo Ollama: parâmetros, quantização e requisitos de hardware

O ollama.com tem centenas de modelos, cada um com vários tamanhos. Nesta seção, você vai aprender a entender essas indicações e escolher um modelo que seu computador consiga executar e que atenda às suas necessidades.

Número de parâmetros: o que significa B

7b e 14b no nome de um modelo indicam o número de parâmetros. b significa billion (bilhão).

• Quanto mais parâmetros, geralmente maior a capacidade e o conhecimento do modelo, mas ele precisa de mais memória e fica mais lento.
• Indicações como e2b e e4b representam o "número efetivo de parâmetros" e se referem a arquiteturas otimizadas para dispositivos.
• Indicações como 30b-a3b representam modelos MoE (mistura de especialistas): são 30 bilhões de parâmetros no total, mas apenas cerca de 3 bilhões são ativados a cada vez. O modelo precisa de uma quantidade de memória próxima à de um modelo 30B, mas sua velocidade é semelhante à de um modelo 3B.

Quantização: o que significam Q4 e Q8

Em geral, cada parâmetro do modelo original é armazenado com 16 bits. A quantização comprime os parâmetros usando menos bits, reduzindo bastante o uso de memória, ao custo de uma pequena perda de qualidade.

Na página do modelo, clique em Tags para ver todas as versões disponíveis, como qwen3:8b-q8_0.

Estimar a memória necessária

Fórmula aproximada:

Tamanho do modelo (GB) ≈ número de parâmetros (B) × bits por parâmetro ÷ 8

Com uma quantização de 4 bits, acrescente cerca de 1 a 2 GB para o contexto (KV cache) e o espaço de execução:

A forma mais precisa é consultar o tamanho do arquivo indicado na página do modelo e reservar alguns GB extras. Quanto maior o contexto configurado, mais memória será necessária. Consulte Variáveis de ambiente.

O princípio mais importante: o modelo deve caber por inteiro na VRAM. Se ele exceder esse limite e parte for carregada na memória do sistema, a velocidade pode cair para uma fração da original. É melhor escolher um modelo um pouco menor que caiba inteiro na GPU.

Recomendações por tarefa

Os modelos mudam muito rapidamente. A seguir estão algumas famílias populares no Ollama na época em que este texto foi escrito, que valem a pena experimentar primeiro. Consulte as versões mais recentes em ollama.com.

Chat geral e português

Raciocínio (matemática e lógica)

Modelos com modo de raciocínio, como deepseek-r1, qwen3 e gpt-oss, primeiro raciocinam e depois respondem. Eles são adequados para problemas que exigem várias etapas de pensamento, mas demoram mais para responder.

Programação

Modelos especializados em código, como qwen2.5-coder e qwen3-coder, são adequados para completar, explicar e refatorar código.

Imagens (visão)

Modelos identificados como vision na página do modelo, como gemma3, qwen3.5 e llava.

Embeddings de texto (para RAG)

nomic-embed-text, mxbai-embed-large e bge-m3 (multilíngue, com bom desempenho em português). Esses modelos não conversam: servem apenas para converter texto em vetores. Veja como usá-los em Embeddings de texto e RAG.

Como comparar modelos na prática

Faça a mesma pergunta a diferentes modelos e ative /set verbose para comparar a velocidade:

ollama run qwen3:4b
ollama run qwen3:8b
ollama run gemma3:12b

Prepare de 5 a 10 perguntas que você realmente faria, como um resumo de documentos do seu trabalho ou um programa que você costuma escrever. Isso ajuda mais do que qualquer ranking a encontrar um modelo adequado para você.

Gerenciar modelos baixados

ollama list               # Lista os modelos baixados e seus tamanhos
ollama rm gemma3:12b      # Exclui um modelo desnecessário para liberar espaço em disco

Veja mais comandos em Lista completa de comandos do Ollama.

Atualizado 12 de outubro de 2026