Qual LLM para RTX 4070 Ti Super (16 GB) ?

#RTX 4070 Ti Super para um LLM local: o que 16 GB permitem

Uma RTX 4070 Ti Super roda com facilidade modelos de 4B a 24B em Q4. Ela possui 16 GB de GDDR6X em um barramento de 256 bits, o que equivale a 672 GB/s, e 8.448 núcleos CUDA de acordo com a NVIDIA. Essa combinação a coloca acima de todas as placas de 8 e 12 GB: Gemma 4 12B cabe com uma ampla margem para o contexto, gpt-oss 20B e Mistral Small 24B, cada um de 14 GB, entram na VRAM com cerca de 2 GB de margem, e um modelo de 5 a 8 GB roda perto do limite da largura de banda da placa. O que não cabe é o próximo nível: Qwen 3.5 27B pesa 17 GB e excede a capacidade da placa. A 4070 Ti Super, portanto, não é uma placa para modelos de 30B, mas uma das mais equilibradas para tudo o que está abaixo disso.

Arquitetura

Ada Lovelace, chip AD103, o mesmo da RTX 4080, mas com menos unidades ativas.

Memória

16 GB de GDDR6X, barramento de 256 bits, largura de banda de 672 GB/s de acordo com a Wikipedia.

Cálculo

8.448 núcleos CUDA de acordo com a página do produto NVIDIA, Tensor Cores da 4ª geração.

Potência

285 W de potência gráfica total; NVIDIA indica 700 W de alimentação mínima para todo o PC.

#4070, 4070 Super, 4070 Ti, 4070 Ti Super: qual escolher para usar um LLM

As quatro placas têm o mesmo nome de linha, mas não são equivalentes para executar LLMs. Três delas estão limitadas a 12 GB de VRAM; apenas a Ti Super chega a 16 GB e conta com um barramento de 256 bits. Para a IA local, essa diferença pesa mais do que a potência de cálculo bruta: ela determina quais modelos a placa consegue executar.

A RTX 4070 Ti apresenta 504 GB/s de acordo com a Wikipedia, contra 672 GB/s para a Ti Super. Se você estava pesquisando uma RTX 4070 convencional, a página dedicada trata da variante de 12 GB. Um ponto em comum entre todas: os modelos de 12B cabem na memória, enquanto os de 14 GB ou mais exigem 16 GB.

• Qual LLM na RTX 4070, 4070 Super e 4070 Ti (12 GB)

#Quais modelos cabem em 16 GB

Os modelos de 14 e 15 GB deixam pouco espaço para o cache de contexto: Ollama usa 4 096 tokens por padrão, o que funciona, mas 16 000 tokens exigem quantizar o cache K/V. O Devstral Small 2, um modelo de código, está no limite: com 15 GB, sobra quase nada para o contexto. Para código, Mistral Small 24B ou um modelo menor com um contexto mais longo é uma melhor escolha em 16 GB.

#O que fica fora do alcance dos 16 GB

Três famílias de modelos excedem a capacidade da placa. Os de 27B a 35B em Q4: segundo o Ollama, Qwen 3.5 27B pesa 17 GB e Qwen 3.5 35B pesa 24 GB; Gemma 4 26B pesa de 16 a 19 GB. Os de 70B, cujos pesos, por si só, ficam em torno de 40 GB segundo a referência do site. E os modelos de contexto longo usados no limite máximo: um modelo de 8 GB com 256.000 tokens de contexto anunciado nunca caberá com um cache completo. Para esses casos, passe para 24 GB de VRAM, para um Mac com memória unificada ou para uma máquina dedicada: a página dedicada ao hardware compara essas opções.

• Qual PC para IA local

#Instalar e verificar a alocação na VRAM

1. 01
   Driver

   Ollama exige um driver NVIDIA 550 ou mais recente para as placas GeForce recentes. Verifique a sua versão com nvidia-smi.
2. 02
   Instalação

   Instale Ollama no seu sistema, sem instalação separada do CUDA.
3. 03
   Primeiro teste

   Inicie ollama run mistral-small para um primeiro modelo que utilize os 16 GB, depois execute ollama ps.
4. 04
   Controle

   A coluna PROCESSOR deve mostrar 100% GPU; caso contrário, reduza o contexto.

export OLLAMA_FLASH_ATTENTION=1
export OLLAMA_KV_CACHE_TYPE=q8_0
export OLLAMA_CONTEXT_LENGTH=16384
ollama serve

O cache K/V em q8_0 usa aproximadamente metade da memória do f16, padrão, e exige Flash Attention. É essa configuração que permite a um modelo de 14 GB servir um contexto de 16 000 tokens em 16 GB.

#Qual velocidade esperar: limites e medições de terceiros

Nenhuma taxa de geração é apresentada aqui como uma medição própria. O limite máximo de geração é a largura de banda dividida pelo tamanho dos pesos. Uma medição pública de terceiros (LLaMA 3 8B em Q4_K_M com llama.cpp, maio de 2024) registra 106 tokens/s em uma RTX 4080 com largura de banda de 716,8 GB/s, ou seja, cerca de 68% do seu limite máximo, e 75% em uma RTX 4070 Ti. A largura de banda da 4070 Ti Super é próxima à da 4080, portanto, sua ordem de grandeza de geração também é semelhante. A tabela aplica 70% ao limite máximo.

gpt-oss 20B é um modelo de especialistas: ele lê apenas parte de seus pesos por token, portanto sua taxa de geração supera a de um modelo denso de 14 GB. Nenhum valor respaldado por uma fonte é reproduzido aqui. Lembre-se sobretudo de que a placa passa de rápida com um 8B a satisfatória com um 24B.

#4070 Ti Super frente à 4080 Super e à 5070 Ti

As três placas oferecem 16 GB: a capacidade é a mesma, portanto a lista de modelos também. Apenas a velocidade de geração muda, proporcionalmente à largura de banda. A 4080 Super ganha cerca de 10%; a 5070 Ti, cerca de um terço. No mercado de usados, a diferença de preço conta mais do que essas diferenças na taxa de geração: consulte o acompanhamento de preços para comparar. Uma 4070 Ti Super usada a um bom preço continua sendo uma excelente escolha; uma 5070 Ti nova se justifica pela garantia e pela velocidade.

• Qual LLM na RTX 4080 e 4080 Super?
• Qual LLM na RTX 5070 Ti
• Preços de placas de vídeo para IA local

#Usos que se beneficiam dos 16 GB

Os 16 GB mudam principalmente o que é possível rodar ao mesmo tempo. Um RAG local combina um modelo de geração, um modelo de embeddings e um contexto bastante longo para conter os trechos encontrados: com Gemma 4 12B (7,7 a 8 GB) e um pequeno modelo de embeddings, o conjunto cabe com vários gigabytes de margem. Um assistente de código precisa apenas de um modelo de 8B a 12B e de um contexto de 16.000 tokens, sem nenhuma restrição. Um modelo de 14 GB como Mistral Small 24B ocupa quase toda a placa: torna-se uma escolha exclusiva, não um modelo entre outros.

Uma armadilha no uso compartilhado: no Ollama, várias requisições em paralelo ao mesmo modelo aumentam proporcionalmente o tamanho do contexto reservado. Atender três colegas com um modelo de 14 GB pode, portanto, exceder a memória da placa, enquanto um único usuário consegue usá-lo sem dificuldade. Com 16 GB, limite o paralelismo ou escolha um modelo mais leve para uso compartilhado.

#Comprar uma 4070 Ti Super de segunda mão: o que deve ser verificado

A placa foi lançada em janeiro de 2024: a maioria das unidades usadas tem menos de três anos, mas não há garantia quanto ao uso anterior delas. Os preços mudam a cada semana: consulte o acompanhamento de preços em vez de um valor fixo neste guia. Antes de comprar, verifique se nvidia-smi realmente mostra 16 GB de memória, execute um modelo de 14 GB, monitore a temperatura durante uma geração longa e ouça as ventoinhas. Peça a nota fiscal e a garantia restante do fabricante: elas costumam ser transferidas junto com a placa.

#Veredito 2026

Mantenha-a se

Seus modelos cabem em 16 GB. Nada justifica substituir a placa antes de você precisar de 24 GB.

Compre-a usada se

O preço é consideravelmente inferior ao de uma 5070 Ti nova. Verifique a garantia restante, a temperatura e o barulho dos ventiladores.

Busque 24 GB se

Você quer Qwen 3.5 27B ou mais: nenhum ajuste fará entrar 17 GB em 16 GB com contexto, e uma placa de 24 GB evita a necessidade de comprar novamente.

• Fonte: características oficiais NVIDIA (família RTX 4070)
• Fonte: FAQ oficial do Ollama (Flash Attention, cache K/V)
• Fonte: tamanho de Mistral Small na biblioteca Ollama

#Perguntas frequentes