Classificação atualizada em 09/10/2026
8 GB de VRAM é o patamar de entrada para a IA local — RTX 3060 8GB, 4060, 5060, 3070, 2080, etc. Modelos de 7 a 9B em Q4_K_M cabem com folga. Aqui estão as melhores opções para essa capacidade de VRAM.
RTX 4060 Ti 8GB: opção de compra disponível para IA local — RTX 5060 Ti 16 GB:
Qual PC escolher conforme seu orçamento? Nossas escolhas de 800 a 3 500 € →
Links afiliados — QualLLM pode receber uma comissão sobre as compras, sem custo adicional para você, o que não influencia a classificação (estabelecida de forma independente). Como Parceiro Amazon, QualLLM obtém lucro com compras que atendem às condições exigidas.
Denso 8B Apache 2.0, 12 idiomas incluindo FR, 131k ctx, GQA 32Q/8KV. MMLU 73.84, HumanEval 85.37. Lançado em 29 de abril de 2026.
# HuggingFace: ibm-granite/granite-4.1-8b
Gemma 4 12B (Google): modelo denso multimodal (texto, visão, áudio), contexto de 256k, ~7 GB de VRAM em Q4. Apache 2.0, multilíngue.
# HuggingFace: google/gemma-4-12B
Granite 4.2 8B (IBM): modelo denso sob a licença Apache 2.0, 128k de contexto, ~4,6 GB de VRAM em Q4. Chat, código e raciocínio multilíngues para empresas.
ollama pull granite4.2
Ajuste fino SFT «thinking» do OLMo 3 7B: raciocínio passo a passo, contexto de 16k, cerca de 4,2 GB de VRAM em Q4. 100% aberto, licença Apache 2.0.
# HuggingFace: zimplex/olmo3-7b-think-sft-eosfix-16k-3ep-euc
GLM 5.3 (Zhipu): denso 7B especializado em código e raciocínio, 128k de contexto, ~4,1 GB de VRAM em Q4. Leve, roda em GPU de 6-8 GB, licença MIT.
ollama pull glm-5.3
Denso 7B 100% aberto (pesos + dados + código). Transparência total para pesquisa.
ollama run olmo-3:7b
Modo híbrido thinking/fast. 119 idiomas, 32k nativo (131k via YaRN).
ollama run qwen3:8b
LFM2.5 7B (Liquid AI): Liquid Foundation Model denso, contexto de 32k, 4,1 GB de VRAM em Q4. Otimizado para CPU e edge. Lançamento em maio de 2026.
ollama pull lfm2.5
| Posição | Modelo | Params | VRAM Q4 | Contexto | Licença | Na RTX 4060 Ti 8GB |
|---|---|---|---|---|---|---|
| #1 | Granite 4.1 8B Instruct | 8B | 5 GB | 131 072 | Apache 2.0 | 12 tok/s · Q5_K_M |
| #2 | Gemma 4 12B | 12B | 7 GB | 262 144 | Apache 2.0 | 18 tok/s · Q4_K_M |
| #3 | Granite 4.2 8B | 8B | 4.6 GB | 128 000 | Apache 2.0 | 32 tok/s · Q5_K_M |
| #4 | OLMo 3 7B Think (SFT) | 7B | 4.2 GB | 16 000 | Apache 2.0 | 32 tok/s · Q8 |
| #5 | GLM 5.3 7B | 7B | 4.1 GB | 128 000 | MIT | 32 tok/s · Q8 |
| #6 | OLMo 3 7B | 7B | 5 GB | 8 192 | Apache 2.0 | 12 tok/s · Q5_K_M |
| #7 | Qwen 3 8B | 8B | 5 GB | 131 072 | Apache 2.0 | 12 tok/s · Q5_K_M |
| #8 | LFM2.5 7B | 7B | 4.1 GB | 32 768 | LFM Open License v1.0 | 32 tok/s · Q8 |
Seu ChatGPT privado e gratuito na sua máquina em 1 hora — LM Studio, Ollama, Open WebUI, seus documentos, sem nuvem.
Memo gratuito
Receba o resumo VRAM → melhor modelo de código → comando Ollama (uma única tela, copiar e colar). E passe para o kit Copiloto Local para transformar isso em uma configuração que realmente funciona.
O kit Copiloto Local — as configs Ollama + Cline + Aider prontas para colar, Modelfiles ajustados, solução de problemas, espaço online vitalício →Sem spam. Cancelamento em 1 clique. Seus dados ficam conosco (nunca revendidos).
Sua placa → o melhor modelo para programação para rodar localmente e o comando Ollama exato:
| Sua VRAM | GPU / Mac típicos | Modelo de código recomendado | Comando Ollama |
|---|---|---|---|
| 8 GB | RTX 4060 / 3060 · M1-M2 16 GB | Qwen 3.5 9B (Q4, 6,6 GB — 256k ctx) | ollama run qwen3.5:9b |
| 12 GB | RTX 3060 12 GB / 4070 / 5070 | Qwen 3.5 9B (Q8, 11 GB) ou Gemma 4 12B (7,6 GB) | ollama run qwen3.5:9b-q8_0 |
| 16 GB | RTX 5070 Ti / 4080 / 5080 · RX 9070 XT · M4 24 GB | Devstral 24B (Q4, 14 GB) — especialista em agentes de código | ollama run devstral:24b |
| 24 GB | RTX 3090 / 4090 · RX 7900 XTX · M4 Pro 48 GB | Qwen 3.8 27B (Q4, 18 GB) — o “quase Copilot” | ollama run qwen3.8:27b |
| 32 GB | RTX 5090 | Qwen 3.6 35B-A3B (Q4, 23 GB) — MoE rápido | ollama run qwen3.6:35b |
| 48 GB+ | Mac M4 Max 64 GB · M2 Ultra 128 GB | Qwen3-Coder 30B-A3B (Q8, 32 GB — 256k ctx) | ollama run qwen3-coder:30b-a3b-q8_0 |
-base: ollama run qwen2.5-coder:7b-base — ainda é a referência neste caso específico. ⚠️ Qwen 3.8: seu nível de raciocínio é definido como muito alto por padrão e ele “pensa demais” em solicitações simples — reduza-o para low (ou desative-o) na primeira execução. ⚠️ Armadilha de licença: Codestral 22B = Mistral Non-Production License → proibido para programar no trabalho. Qwen 3.5/3.8, Gemma 4 e Devstral são disponibilizados sob a licença Apache 2.0. 💡 Está travando por falta de memória? Mantenha ~1,5 GB de VRAM livre para o contexto, ou passe para um nível menor de quantização.🔌 Para conectá-lo no VS Code: Cline (agente que trabalha com vários arquivos), Aider (CLI) ou Tabby/Twinny (autocompletação FIM) — todos se conectam ao Ollama localmente. O kit Copiloto Local — configs prontas para colar + setup testado — está disponível: /copilote-local.
Filtro: VRAM Q4 ≤ 8 GB e ≥ 3 GB (excluímos os modelos muito pequenos e subutilizados). Mantemos os modelos de 3 a 9B que cabem em Q4_K_M com margem para o contexto.
Critérios considerados:
A pontuação é totalmente transparente: consulte nossa metodologia para os detalhes de cálculo de VRAM/tokens/seg.
Qual LLM usar com 8 GB para começar?
Granite 4.1 8B Instruct é o melhor ponto de entrada. Mistral 7B, Llama 3.1 8B e Qwen 2.5 7B são todos excelentes e não custam nada. Comece com Ollama (ollama run mistral:7b-instruct).
É possível executar Gemma 2 9B em 8 GB?
Apenas Q4_K_M (≈ 6 GB para o modelo + 1–2 GB para o contexto = ≈ 8 GB). Não há margem para um contexto grande. Prefira Mistral 7B se quiser usar confortavelmente um contexto de 32k tokens ou mais.
Qual quantização usar com 8 GB?
Q4_K_M para um modelo de 7–9B. Q5_K_M para um modelo de 3–5B. Q8 apenas para modelos de 3B ou menores.
RTX 4060 versus RTX 3060 de 12 GB?
A 4060 é mais rápida em termos de taxa de geração (+15–20%), mas está limitada a 8 GB — sem modelos 12B nem contexto longo. A 3060 de 12 GB é melhor para LLMs apesar de ser de uma categoria inferior.