Diretório de VRAM e Dimensionamento de Hardware para LLM (28 Modelos)

Abrir na Calculadora de VRAM → Inspetor GGUF → Gerar Config vLLM / Ollama → Comparar Preços de API ao Vivo no DevToken →

Referência Rápida de VRAM para LLM de Pesos Abertos (28 Modelos @ Q4_K_M e FP16)

Exibindo 28 de 28 modelos

Arquiteturas verificadas de LLM de pesos abertos com parâmetros residentes, mecanismo de atenção e requisitos base de VRAM
Modelo e Família	Topologia e Atenção	Residentes / Ativos	FP16 (8K ctx)	Q4_K_M (32K ctx)	Nível Mínimo Prático	Análise
DeepSeek-R1 (671B MoE) DeepSeek · MIT	MOE MLA	671B / 37B	1289.2 GB	393.7 GB	8× NVIDIA H100 80GB	Guia de VRAM →
DeepSeek-V3-0324 (671B MoE) DeepSeek · MIT	MOE MLA	671B / 37B	1289.2 GB	393.7 GB	8× NVIDIA H100 80GB	Guia de VRAM →
DeepSeek-R1-Distill-Llama-70B DeepSeek · MIT	DENSE GQA	70.6B	139.3 GB	52.5 GB	NVIDIA A100 80GB	Guia de VRAM →
DeepSeek-R1-Distill-Qwen-32B DeepSeek · MIT	DENSE GQA	32.8B	66.1 GB	28.3 GB	RTX 5090 32GB	Guia de VRAM →
Qwen3-235B-A22B (MoE) Qwen · Apache-2.0	MOE GQA	235B / 22B	453.5 GB	143.7 GB	Mac Studio 192GB	Guia de VRAM →
Qwen3-30B-A3B (MoE) Qwen · Apache-2.0	MOE GQA	30.5B / 3.3B	60.3 GB	21.8 GB	RTX 3090 24GB	Guia de VRAM →
Qwen3-32B Qwen · Apache-2.0	DENSE GQA	32.8B	66.1 GB	28.3 GB	RTX 5090 32GB	Guia de VRAM →
Qwen3-14B Qwen · Apache-2.0	DENSE GQA	14.8B	30.9 GB	14.8 GB	RTX 4060 Ti 16GB	Guia de VRAM →
Qwen3-8B Qwen · Apache-2.0	DENSE GQA	8.2B	18.0 GB	10.4 GB	RTX 3060 12GB	Guia de VRAM →
QwQ-32B (Reasoning) Qwen · Apache-2.0	DENSE GQA	32.8B	66.1 GB	28.3 GB	RTX 5090 32GB	Guia de VRAM →
Qwen2.5-Coder-32B-Instruct Qwen · Apache-2.0	DENSE GQA	32.8B	66.1 GB	28.3 GB	RTX 5090 32GB	Guia de VRAM →
Qwen2.5-72B-Instruct Qwen · Qwen License	DENSE GQA	72.7B	143.4 GB	53.7 GB	NVIDIA A100 80GB	Guia de VRAM →
Llama 4 Maverick (400B / 17B-128E MoE) Meta Llama · Llama 4 Community	MOE GQA	402B / 17.2B	774.0 GB	241.0 GB	Mac Studio 512GB	Guia de VRAM →
Llama 4 Scout (109B / 17B-16E MoE) Meta Llama · Llama 4 Community	MOE HYBRID_SWA	109B / 17.2B	211.8 GB	67.2 GB	NVIDIA A100 80GB	Guia de VRAM →
Llama 3.3 70B Instruct Meta Llama · Llama 3.3 Community	DENSE GQA	70.6B	139.3 GB	52.5 GB	NVIDIA A100 80GB	Guia de VRAM →
Llama 3.1 405B Instruct Meta Llama · Llama 3.1 Community	DENSE GQA	405B	782.8 GB	253.2 GB	Mac Studio 512GB	Guia de VRAM →
Llama 3.1 8B Instruct Meta Llama · Llama 3.1 Community	DENSE GQA	8.03B	17.6 GB	9.8 GB	RTX 3060 12GB	Guia de VRAM →
Gemma 3 27B IT (Multimodal) Google Gemma · Gemma Terms	DENSE HYBRID_SWA	27.4B	54.8 GB	20.1 GB	RTX 3090 24GB	Guia de VRAM →
Gemma 3 12B IT (Multimodal) Google Gemma · Gemma Terms	DENSE HYBRID_SWA	12.2B	25.3 GB	10.5 GB	RTX 3060 12GB	Guia de VRAM →
Mistral Small 3.1 (24B) Mistral · Apache-2.0	DENSE GQA	24B	48.5 GB	20.2 GB	RTX 3090 24GB	Guia de VRAM →
Mistral Large 2411 (123B) Mistral · Mistral Research	DENSE GQA	123B	240.4 GB	84.2 GB	RTX PRO 6000 96GB	Guia de VRAM →
Codestral 22B Mistral · Mistral Non-Production	DENSE GQA	22.2B	45.6 GB	21.2 GB	RTX 3090 24GB	Guia de VRAM →
Devstral Small (24B SWE Agent) Mistral · Apache-2.0	DENSE GQA	23.6B	47.7 GB	19.9 GB	RTX 3090 24GB	Guia de VRAM →
GLM-4-32B-0414 Zhipu GLM · MIT	DENSE GQA	32B	63.1 GB	21.8 GB	RTX 3090 24GB	Guia de VRAM →
GLM-4-9B-0414 Zhipu GLM · MIT	DENSE GQA	9.4B	19.5 GB	7.9 GB	RTX 3060 12GB	Guia de VRAM →
Microsoft Phi-4 (14B) Microsoft Phi · MIT	DENSE GQA	14.7B	31.0 GB	16.0 GB	RTX 3090 24GB	Guia de VRAM →
Microsoft Phi-4-mini-instruct (3.8B) Microsoft Phi · MIT	DENSE GQA	3.84B	9.4 GB	7.3 GB	RTX 3060 12GB	Guia de VRAM →
Cohere Command A (111B) Cohere · CC-BY-NC-4.0	DENSE HYBRID_SWA	111B	215.8 GB	68.9 GB	NVIDIA A100 80GB	Guia de VRAM →

Navegar por Família de Modelos e Arquitetura

DeepSeek (4)

32.8B – 671B · MLA, GQA

DeepSeek-R1 (671B MoE) · DeepSeek-V3-0324 (671B MoE) · DeepSeek-R1-Distill-Llama-70B · DeepSeek-R1-Distill-Qwen-32B

Qwen (8)

8.2B – 235B · GQA

Qwen3-235B-A22B (MoE) · Qwen3-30B-A3B (MoE) · Qwen3-32B · Qwen3-14B · Qwen3-8B

Meta Llama (5)

8.03B – 405B · GQA, HYBRID_SWA

Llama 4 Maverick (400B / 17B-128E MoE) · Llama 4 Scout (109B / 17B-16E MoE) · Llama 3.3 70B Instruct · Llama 3.1 405B Instruct · Llama 3.1 8B Instruct

Google Gemma (2)

12.2B – 27.4B · HYBRID_SWA

Gemma 3 27B IT (Multimodal) · Gemma 3 12B IT (Multimodal)

Mistral (4)

22.2B – 123B · GQA

Mistral Small 3.1 (24B) · Mistral Large 2411 (123B) · Codestral 22B · Devstral Small (24B SWE Agent)

Zhipu GLM (2)

9.4B – 32B · GQA

GLM-4-32B-0414 · GLM-4-9B-0414

Microsoft Phi (2)

3.84B – 14.7B · GQA

Microsoft Phi-4 (14B) · Microsoft Phi-4-mini-instruct (3.8B)

Cohere (1)

111B – 111B · HYBRID_SWA

Cohere Command A (111B)

Como Cada Página Calcula Precisão e Tetos de Contexto

Cada página pré-calcula alocações exatas de pesos + cache KV + área de trabalho de execução em FP16, FP8, Q8_0, Q6_K, Q5_K_M, Q4_K_M, AWQ INT4 e IQ4_XS frente a GPUs de consumo, memória unificada Apple Silicon e aceleradores HBM de datacenter, acompanhadas de um simulador interativo de quantização e contexto.

Regras de bolso ignoram três variáveis dominantes na inferência moderna de pesos abertos: escalas de superblocos de quantização GGUF (onde Q4_K_M tem média de 4,85 bits/peso em vez de 4,00), o crescimento do cache KV em janelas longas de contexto e slots simultâneos de continuous batching, e o roteamento Mixture-of-Experts em que todos os 671B ou 235B parâmetros residem na VRAM enquanto apenas 37B ou 22B trafegam por token gerado.

O VRAMLab avalia cada modelo a partir da geometria verificada do seu transformer — diferenciando explicitamente Multi-Head Attention (MHA), Grouped-Query Attention (GQA), DeepSeek Multi-head Latent Attention (MLA) e pilhas híbridas de janela deslizante local/global — para que o planejamento de capacidade reflita alocações reais no vLLM, SGLang, Ollama e llama.cpp.