Qual LLM para RTX 3080 / 3080 Ti (10-12 GB) ?

#RTX 3080 e 3080 Ti para um LLM local: as três variantes

Uma RTX 3080 ou uma 3080 Ti com 12 GB roda com conforto um modelo de 12 bilhões de parâmetros em Q4 ou um modelo de 9 bilhões em Q8; a versão com 10 GB limita-se a modelos de 7 a 9 bilhões em Q4. De acordo com o catálogo QuelLLM, Gemma 4 12B pesa 7 GB em Q4 e 9 GB em Q5; Qwen 3.5 9B pesa 6 GB em Q4 e 10 GB em Q8, o que exige pelo menos 12 GB assim que se adiciona contexto. Em termos de velocidade, essas placas estão entre as mais rápidas das gerações anteriores: a 3080 de 10 GB gera 139,7 tokens por segundo em um modelo de 7 bilhões em Q4_0 segundo a tabela pública do llama.cpp, o que equivale a quase o dobro da RTX 3060 de 12 GB (75,6). A escolha de uma RTX 3080 para um LLM depende da memória, nunca da velocidade.

RTX 3080 10 GB

Setembro de 2020, 8.704 núcleos CUDA, 10 GB de GDDR6X em um barramento de 320 bits, ou seja, 760 GB/s. Potência da placa de 320 W.

RTX 3080 12 GB

Janeiro de 2022, 8.960 núcleos, 12 GB de GDDR6X em um barramento de 384 bits, ou seja, 912 GB/s, 350 W. Cerca de 20 % a mais de largura de banda.

RTX 3080 Ti

Junho de 2021, 10.240 núcleos, 12 GB de GDDR6X em um barramento de 384 bits, como na 3080 de 12 GB, portanto uma largura de banda esperada idêntica, 350 W.

O cálculo do limite ajuda a entender: a geração de texto lê os pesos em cada token, então a banda larga define a velocidade máxima. As 3080 12 GB e Ti ganham 20% de banda larga em relação às 10 GB, mas a 3080 Ti adiciona principalmente núcleos de cálculo, que aceleram a leitura do prompt mais do que a geração.

#3080 10 GB, 12 GB ou 3080 Ti: qual escolher

Para IA local, a 3080 Ti e a 3080 de 12 GB são intercambiáveis: os mesmos 12 GB, o mesmo barramento e uma velocidade de geração muito próxima. A estimativa para essas duas placas é um limite superior que aplica à largura de banda de 912 GB/s o rendimento medido da versão de 10 GB: na prática, a 3090, cujo barramento também é de 384 bits, registra 158,2 tokens por segundo. Portanto, escolha a mais barata das duas, sem se deixar guiar pelo número de núcleos. A versão de 10 GB, por sua vez, fica um nível abaixo em capacidade: seus 10 GB não permitem usar modelos de 9 bilhões de parâmetros em Q8.

#Modelos compatíveis de acordo com a memória

Dois pontos dessa tabela merecem atenção. Primeiro, a 3080 de 10 GB consegue rodar o Gemma 4 12B em Q4 (7 GB), apesar do que se poderia imaginar: restam 3 GB para o contexto, o que é suficiente para conversas de tamanho médio. Em seguida, a diferença entre 12 e 16 GB é clara: um modelo da classe de 20 bilhões de parâmetros em Q4, como gpt-oss 20B, pesa 13 GB e não cabe em nenhuma das três placas. Se esse é o seu objetivo, você precisa de uma placa com 16 GB ou mais, e o guia sobre 12 GB de VRAM detalha exatamente o que se pode fazer com 12 GB.

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

#Instalação, alimentação e configurações

As RTX 3080 e 3080 Ti estão entre as placas com capacidade de cálculo 8.6 listadas pelo Ollama, que exige um driver 550 ou mais recente. Um ponto de atenção específico dessas placas: a ficha técnica da NVIDIA informa 350 W para a placa, 320 W para a versão de 10 GB e recomenda uma fonte de alimentação de 750 W para o sistema. Verifique sua fonte de alimentação antes de instalar a placa e ligue os conectores da placa a cabos distintos.

1. 01
   Verificar a fonte de alimentação

   Verifique se a fonte de alimentação chega a 750 W e se possui os conectores exigidos pelo modelo da sua placa.
2. 02
   Instalar o driver e Ollama

   Instale um driver 550 ou mais recente, depois o Ollama, e inicie um modelo de sua escolha.
3. 03
   Ajustar a memória

   Na versão de 10 GB, inicie o servidor com OLLAMA_FLASH_ATTENTION=1 e OLLAMA_KV_CACHE_TYPE=q8_0: a documentação especifica que o cache K/V pode ser quantizado quando o Flash Attention está ativado.
4. 04
   Verificar

   Com o nvidia-smi, monitore a memória e a temperatura sob carga: essas placas aquecem mais do que os modelos recentes.

OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

• Como instalar Ollama
• Quantizar o KV cache: economizar VRAM (contexto longo)

#Velocidade: a medição pública e suas extrapolações

A tabela colaborativa do llama.cpp, que mede Llama 2 7B em Q4_0 (arquivo de 3,56 GiB, ou seja, 3,82 GB), registra, para a RTX 3080 de 10 GB, 139,65 tokens por segundo na geração e 5.014 na leitura do prompt. Com Flash Attention, a geração permanece em 139,95, mas a leitura passa para 5.570 tokens por segundo, ou seja, cerca de 11% a mais. A largura de banda de 760 GB/s permitiria, em teoria, quase 199 tokens por segundo: a medição atinge 70% desse limite. A taxa depende também do driver, do sistema e do fabricante da placa, mesmo com chip idêntico.

Por regra de três com o tamanho dos arquivos, a 3080 de 10 GB daria, no máximo, cerca de 89 tokens por segundo em Qwen 3.5 9B em Q4 (6 GB) e cerca de 76 em Gemma 4 12B em Q4 (7 GB). São limites teóricos superiores, não medidas reais. Em uma 3080 de 12 GB, o Q8 do Qwen 3.5 9B (10 GB) permaneceria abaixo de 65 tokens por segundo teoricamente, o que é confortável. Em todos os casos, essas placas ultrapassam largamente a velocidade de leitura; a limitação é a capacidade, não a velocidade.

A leitura do prompt é o segundo ponto forte dessas placas. A 5.014 tokens por segundo, a 3080 de 10 GB lê um documento de 10.000 tokens em cerca de dois segundos e, a 5.570 com Flash Attention, em um pouco menos de tempo — dois cálculos teóricos que pressupõem uma taxa constante. Isso é cerca de duas vezes mais rápido do que uma 3060 de 12 GB (2.138 tokens por segundo). Essa leitura do prompt pesa ainda mais quando várias pessoas compartilham a mesma máquina, pois cada requisição precisa primeiro reler seu próprio contexto antes de gerar qualquer resposta, e é aí que a diferença em relação a uma placa mais modesta aumenta. Para RAG com documentos volumosos ou um assistente de código que relê arquivos grandes a cada requisição, isso representa um ganho real de conforto, bem mais perceptível do que a diferença na geração, cuja velocidade já está muito acima do ritmo de leitura.

#Comprar em 2026: como essas placas se posicionam

Em comparação com uma placa nova de 16 GB, o atrativo de uma RTX 3080 usada é a velocidade a um preço moderado, mas falta memória. A 3090 registra 158,2 tokens por segundo com 24 GB, o que a torna uma referência no mercado de usados para quem busca modelos de 20 a 30 bilhões de parâmetros. Os preços das placas usadas variam a cada semana: o acompanhamento do site registra o menor preço de cada placa e o preço por GB de VRAM, o que é melhor do que um número escrito aqui.

• Preços de placas de vídeo para IA local (acompanhamento semanal)
• Qual LLM na RTX 3090 / 3090 Ti (24 GB)?
• Qual LLM para RTX 4070 Ti Super (16 GB)?

#Veredito 2026

3080 de 12 GB ou 3080 Ti usada

Uma escolha muito boa se o preço continuar bem abaixo do de uma placa nova de 12 a 16 GB: 12 GB, alta velocidade e um modelo de 9B em Q8 ou de 12B em Q4, com folga.

3080 10 GB

Útil para modelos de 8 a 12 bilhões em Q4. Não comporta modelos de 9B em Q8 nem oferece margem para o contexto; uma 3060 de 12 GB pode ser mais adequada se você busca capacidade em vez de velocidade.

Na hora da compra

Verifique a alimentação, a indicação de 10 ou 12 GB e o estado das ventoinhas: essas placas já estiveram sujeitas a altas temperaturas e têm vários anos de uso.

#Perguntas frequentes

• Fonte: tabela de desempenho do llama.cpp em CUDA
• Fonte: ficha técnica da NVIDIA das RTX 3080 e 3080 Ti
• Fonte: placas NVIDIA suportadas pelo Ollama
• Fonte: FAQ do Ollama (Flash Attention, cache K/V)