Qual LLM para RTX 2080 / 2080 Super (8 GB) ?

#RTX 2080 e 2080 Super: o que elas executam

Em uma RTX 2080 ou 2080 Super, um modelo com 7 a 9 bilhões de parâmetros em Q4 cabe inteiramente na memória de vídeo e roda rapidamente. De acordo com o catálogo QuelLLM, Granite 4.2 8B requer 4,6 GB em Q4 e Qwen 3.5 9B requer 6 GB, o que deixa margem para um contexto de alguns milhares de tokens. Gemma 4 12B (7 GB em Q4) chega ao limite dos 8 GB e o ultrapassa assim que a conversa se alonga. Nenhuma dessas duas placas aparece na tabela pública de desempenho do llama.cpp; ainda assim, é possível estimar seu desempenho, pois elas compartilham o mesmo barramento de 256 bits da 2070 Super, que atingiu 88 tokens por segundo em um modelo de 7 bilhões de parâmetros em Q4_0. A 2080 Super, cuja memória é mais rápida, deve ter um desempenho ligeiramente melhor. Em resumo: rápida, mas limitada por seus 8 GB.

RTX 2080

Setembro de 2018, 2.944 núcleos CUDA, 8 GB de GDDR6, barramento de 256 bits, o que dá 448 GB/s a 14 Gbit/s.

RTX 2080 Super

Julho de 2019, 3.072 núcleos CUDA, 8 GB de GDDR6 a 15,5 Gbit/s, ou seja, 496 GB/s, cerca de 11 % a mais do que a 2080.

Para um LLM

A geração depende principalmente da largura de banda: a Super ganha um pouco, a capacidade não muda.

#Modelos compatíveis: aqueles que cabem em 8 GB

O raciocínio é o mesmo para todos os modelos: pesos, mais cache de contexto, mais uma margem de aproximadamente um gigabyte para o driver e a tela. Se a tela estiver conectada a essa placa, parte da memória já está reservada para ela. Com 8 GB, limitar os pesos a no máximo 6 GB é uma regra segura. Para um contexto mais longo, a quantização do cache K/V é a ferramenta que traz mais retorno.

#Verificar se um modelo realmente cabe na placa

Muitas perdas de velocidade vêm de um modelo que não cabe totalmente na VRAM: Ollama então transfere parte dele para o processador, e a taxa de geração cai sem mensagem de erro. A documentação do Ollama mostra como verificar isso: o comando ollama ps exibe, na coluna Processor, a memória em que o modelo foi carregado. A indicação 100% GPU significa que o modelo está inteiramente na placa, enquanto uma proporção como 48%/52% CPU/GPU indica um carregamento distribuído entre a RAM e a VRAM.

1. 01
   Carregar o modelo

   Inicie o modelo com ollama run seguido do nome dele, depois envie um primeiro prompt.
2. 02
   Ler a distribuição

   Em outro terminal, digite ollama ps. Anote a coluna Processor e o tamanho anunciado.
3. 03
   Corrigir, se necessário

   Se o modelo não estiver em 100% no GPU, reduza o contexto, escolha uma quantização mais leve ou mude para um modelo menor. Quantizar o cache K/V ajuda também; a documentação especifica que isso exige Flash Attention.

ollama ps

• Quantizar o KV cache: economizar VRAM (contexto longo)
• Solução de problemas do Ollama: GPU não detectada, lentidão, erros de memória

#Velocidade: o que é medido, o que é estimado

A tabela colaborativa do llama.cpp (Llama 2 7B em Q4_0, arquivo de 3,56 GiB) inclui a 2070 Super, a 2080 Ti, a 3060 de 12 GB e a 4060 Ti de 8 GB, mas não a 2080 nem a 2080 Super. A tabela esclarece que os resultados variam conforme o driver, o sistema e a placa, mesmo com um chip idêntico. Veja o que foi medido e, em seguida, o que é razoável deduzir desses resultados.

A estimativa da linha 2080 segue uma regra simples: com 448 GB/s, a 2080 deve gerar tokens a uma taxa muito próxima à da 2070 Super, e com 496 GB/s, a 2080 Super pode ganhar até 10% a mais, chegando a uma ordem de grandeza de 95 tokens por segundo. É uma projeção, não uma medição: não a cite como resultado.

A tabela traz uma lição útil para quem hesita em substituir a placa: a RTX 4060 Ti de 8 GB, apesar de ser mais recente, gera mais lentamente (63,9 tokens por segundo) do que a 2070 Super, porque seu barramento de 128 bits limita a largura de banda. Na geração de texto, uma geração mais recente de GPUs não é sinônimo de velocidade superior. O que ela traz, principalmente, é eficiência energética e recursos recentes, e não capacidade de memória.

#2080 Super ou RTX 3060 12 GB: a capacidade prevalece

A 3060 de 12 GB gera mais devagar que a 2070 Super (75,6 contra 88,1 tokens por segundo no teste), mas oferece 4 GB a mais. É isso que importa para a IA local: em 12 GB, o Gemma 4 12B (7 GB em Q4) cabe com espaço de sobra para o contexto, algo que as placas de 8 GB não permitem. Uma 2080 Super não compensa essa desvantagem com sua velocidade, pois o aumento para cerca de 95 tokens por segundo não muda o fato de que um modelo de 12B não cabe na memória.

A conclusão depende, portanto, do seu objetivo. Para um assistente com 8 ou 9 bilhões de parâmetros, sua 2080 é suficiente e passar para uma 3060 de 12 GB não traz ganho de velocidade. Para usar um modelo de 12B ou contextos longos, a troca se justifica. Os preços de usados mudam toda semana: consulte o acompanhamento de preços em vez de se basear em um número fixo.

• Preços de placas de vídeo para IA local (acompanhamento semanal)
• Qual LLM para RTX 3060 12 GB?
• Qual LLM para a RTX 2080 Ti (11 GB)?

#Contexto longo com 8 GB: o cache K/V é decisivo

Em uma placa de 8 GB, não é o modelo que causa o problema, é o cache de contexto. Cada token da conversa acrescenta dados à memória, e um modelo de 8B em Q4 que cabia nela sem contexto pode exceder a capacidade quando você cola um documento longo. Há dois recursos no Ollama. O Flash Attention, que o software ativa automaticamente quando a placa permite, reduz a memória necessária à medida que o contexto cresce. Uma vez ativado, ele permite a quantização do cache K/V, cujo formato q8_0 utiliza cerca da metade da memória do formato padrão, segundo a documentação. O formato q4_0 economiza ainda mais, mas reduz a precisão de forma mais perceptível em contextos longos.

OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

Este ajuste é global: aplica-se a todos os modelos servidos pela instância, o que é prático em uma máquina dedicada, mas deve ser levado em conta se você troca de modelo com frequência. A boa prática é medir antes de ajustar: carregue seu modelo, preencha um contexto representativo do seu uso e depois verifique com ollama ps se o modelo permanece 100% na GPU. Se for o caso, você tem margem; caso contrário, quantize o cache ou reduza o contexto.

#Quando 8 GB já não são suficientes: os níveis seguintes

A leitura dessa tabela é simples: cada aumento na capacidade de memória dá acesso a uma categoria de modelos, enquanto a velocidade pura não muda quase nada na experiência acima de 30 ou 40 tokens por segundo. Se você está hesitando em investir, pergunte-se primeiro qual modelo você quer rodar, depois escolha a placa com a memória correspondente. Um modelo de 27 bilhões em 16 GB já está no limite; se esse for seu objetivo, considere uma placa de 24 GB.

• Qual LLM para 12 GB de VRAM?
• Qual LLM para 16 GB de VRAM?

#Drivers e suporte em 2026

A RTX 2080 e a 2080 Ti fazem parte das placas com capacidade de cálculo 7.5 listadas por Ollama, que exige um driver 550 ou mais recente. Isso cobre as versões atuais de Ollama; se a instalação falhar, o primeiro passo é verificar a versão do driver com nvidia-smi. Não há, portanto, motivo para temer um bloqueio de software ao instalar Ollama ou llama.cpp nessas placas. O único ponto de atenção é a versão do driver: atualize antes de procurar falhas em outros lugares.

#Veredito 2026

Mantenha-a se

Já está no seu PC e você busca modelos de 7 a 9 bilhões em Q4. Velocidade amplamente suficiente, custo nulo.

Não compre para IA

A menos que o preço seja baixo e a garantia seja clara. Com preços semelhantes, uma placa de 12 GB oferece mais valor do que alguns tokens extras por segundo.

Escolha outra opção se

Você quer um 12B, um 14B ou mais, ou um contexto acima de dez mil tokens em um 8B. Nesse caso, serão necessários 12 a 16 GB.

#Perguntas frequentes

• Fonte: tabela de desempenho do llama.cpp em CUDA
• Fonte: placas NVIDIA suportadas pelo Ollama
• Fonte: FAQ do Ollama (ollama ps, cache K/V)
• Fonte: especificações das placas GeForce da série 20