Melhor GPU para IA local por menos de 2000 € em 2026

Escolher o melhor GPU para IA por menos de 2000 euros consiste, acima de tudo, em equilibrar a VRAM disponível, a largura de banda da memória e a compatibilidade com os frameworks de inferência open-source. Em 2026, a RTX 4090, a RTX 5090 e a RX 7900 XTX ocupam posições muito diferentes nesse segmento, cada uma com suas vantagens e limitações para executar LLMs localmente. Este artigo detalha as principais especificações de cada GPU, os modelos do catálogo acessíveis conforme a configuração e o desempenho esperado por quantização, além de responder às perguntas mais frequentes antes da compra.

Por que a VRAM é a métrica determinante para LLMs locais

Ao contrário do uso em jogos ou renderização 3D, a execução local de um LLM depende fortemente da capacidade de memória de vídeo. A VRAM determina qual quantização pode ser usada e em que medida o modelo precisa ser transferido para a RAM do sistema.

As quantizações mais comuns via llama.cpp, o mecanismo de inferência de referência para inferência local, são:

• Q4_K_M: equilíbrio predominante entre qualidade e tamanho, aproximadamente 4,5 bits por parâmetro
• Q5_K_M: leve melhoria da qualidade, cerca de 5,5 bits por parâmetro
• Q8_0: próximo da precisão nativa, cerca de 8 bits por parâmetro
• FP16: 16 bits por parâmetro, reservado para configurações multi-GPU com várias centenas de GB de VRAM

Para entender todos os impactos da quantização, consulte o guia de quantização de LLM do site.

Como referência sobre os modelos indexados no catálogo QualLLM:

• Qwen 2.5 72B Instruct — ~42 GB em Q4, 72B de parâmetros: ultrapassa a VRAM de uma única GPU que custe menos de 2.000 €
• Llama 4 Scout 109B — ~65 GB em Q4, 109B de parâmetros: exige offload massivo para a CPU
• gpt-oss 120B — ~70 GB em Q4, 117B parâmetros: mesma constatação

A consequência direta: com uma única GPU de menos de 2.000 €, todos os modelos do catálogo (mínimo de 71 bilhões de parâmetros) são executados em modo de offload parcial para a RAM do sistema, o que reduz os tokens por segundo de forma proporcional à quantidade transferida.

As GPUs disponíveis por menos de 2.000 € em 2026

Aqui estão as placas gráficas relevantes para inferência local de LLM nessa faixa de preço (preços observados na França em meados de 2026, a confirmar conforme os revendedores e as flutuações do mercado):

NVIDIA GeForce RTX 4090 - VRAM: 24 GB GDDR6X - Largura de banda da memória: 1 008 GB/s - Preço indicativo: 1 400–1 700 € - Compatibilidade: CUDA nativo, llama.cpp, vLLM, Ollama, ExLlamaV2 - Ponto forte: ecossistema mais amplo, documentação comunitária abundante

NVIDIA GeForce RTX 5090 - VRAM: 32 GB GDDR7 - Largura de banda da memória: estimada em ~1 790 GB/s - Preço indicativo: 1.900–2.200 € dependendo do revendedor (no limite do orçamento previsto) - Compatibilidade: CUDA nativo, arquitetura Blackwell suportada em versões recentes do llama.cpp - Ponto forte: 8 GB adicionais em relação à RTX 4090, reduzindo o offload para a CPU em modelos 70B

AMD Radeon RX 7900 XTX - VRAM: 24 GB GDDR6 - Largura de banda da memória: 960 GB/s - Preço indicativo: 800–1 050 € - Compatibilidade: ROCm 6.x, llama.cpp via backend HIP, Ollama - Ponto forte: melhor relação VRAM/preço do segmento, viável se sua stack suportar ROCm

NVIDIA GeForce RTX 3090 (mercado secundário) - VRAM: 24 GB GDDR6X - Preço indicativo: 600–850 € - Ponto forte: mesma capacidade de VRAM que a RTX 4090 por um preço menor - Ponto fraco: largura de banda ligeiramente inferior (~936 GB/s), arquitetura mais antiga (Ampere)

NVIDIA GeForce RTX 5080 - VRAM: 16 GB GDDR7 - Preço indicativo: 900–1 100 € - Ponto fraco: 16 GB insuficientes para os modelos 70B mesmo em Q3_K_M — não recomendado para os LLM do catálogo

Para uma comparação aprofundada entre os dois líderes do segmento, ver a página RTX 4090 vs. RTX 5090 para LLMs.

RTX 4090 vs RTX 5090: a análise para LLMs

A RTX 5090 oferece 8 GB adicionais de VRAM e uma largura de banda significativamente maior. Para os LLMs, isso se traduz em três vantagens concretas:

Redução do offload para a CPU: com 32 GB de VRAM, você transfere menos camadas para a RAM do sistema ao executar um modelo de 70B em Q4 (~42 GB necessários). Em Q3_K_M, o consumo de memória de um modelo de 72B cai para cerca de 30–32 GB (estimado), o que pode permitir uma execução inteiramente em VRAM, dependendo da implementação.

Mais tokens/s: menos offload significa menos gargalos no barramento PCIe (limitado a ~32 GB/s em PCIe 5.0 x16, contra 1 008 GB/s de largura de banda interna da RTX 4090). A diferença é diretamente perceptível na velocidade de inferência.

Custo adicional: entre 400 e 700 € a mais, dependendo do revendedor. Se a RTX 5090 ficar abaixo de 2.000 €, os 32 GB justificam o custo adicional. Caso contrário, a RTX 4090 continua sendo a escolha mais coerente.

A RX 7900 XTX merece uma menção especial para orçamentos abaixo de 1.050 €: 24 GB de VRAM com suporte ao ROCm em constante evolução. A compatibilidade ainda não é tão fluida quanto a do CUDA em todas as ferramentas (especialmente o vLLM), mas o llama.cpp via HIP funciona corretamente para inferência local padrão.

As especificações oficiais da série RTX 50 estão disponíveis na página do produto NVIDIA.

Modelos acessíveis com uma GPU abaixo de 2 000 € (incluindo offload)

Veja o que é viável com base no catálogo QualLLM, com uma GPU de 24–32 GB de VRAM combinada com 64–128 GB de RAM DDR5 do sistema:

Modelos 70B — a classe de referência com offload parcial

• Qwen 2.5 72B Instruct — 72B parâmetros, licença Qwen, ~42 GB Q4. Com 24 GB de VRAM, aproximadamente 18 GB são transferidos para a RAM. Velocidade estimada: 4–9 tokens/segundo, dependendo da largura de banda da RAM e do número de camadas transferidas.
• Llama 3.1 70B LatamGPT SFT — 71B parâmetros, licença Llama 3.1 Community, ~41 GB Q4. Necessidades semelhantes, ligeiramente mais compacto.
• Qwen3-Coder-Next 80B-A3B — 80B parâmetros, ~48 GB Q4, licença Apache 2.0. Requer mais offload, mas é relevante para tarefas de geração de código.
• Hunyuan-A13B Instruct — 80B de parâmetros, ~48 GB Q4, licença Tencent Hunyuan. Arquitetura MoE com 13B de parâmetros ativos — a carga computacional efetiva é reduzida mesmo que o uso de memória permaneça idêntico.

O que continua fora do alcance com uma única GPU

• DeepSeek R1 671B — ~400 GB Q4: exige pelo menos 10 GPUs dessa categoria em paralelo ou um servidor NVLink dedicado.
• Llama 4 Maverick 400B — ~240 GB Q4: fora do alcance em uma configuração de GPU única.
• Qwen 3 235B-A22B — ~142 GB em Q4: inviável em uma única GPU, mas o comparativo Qwen 3 235B vs Llama 4 Scout detalha as diferenças para configurações multi-GPU.

Para identificar os modelos filtrados pela sua VRAM disponível, use diretamente o configurador QualLLM.

Desempenho esperado: tokens por segundo conforme a GPU

Os números abaixo são estimados com base nos benchmarks da comunidade compilados nas issues e discussões do repositório llama.cpp no GitHub e do ranking Open LLM do Hugging Face. Eles variam conforme a RAM do sistema, a versão do mecanismo de inferência e a configuração PCIe.

Para um modelo 70B em Q4_K_M (aproximadamente 42 GB), offload parcial:

• RTX 5090 (32 GB): estimativa de 10–18 tokens/sec, offload mínimo (~10 GB na CPU)
• RTX 4090 (24 GB): estimativa de 4–9 tokens/s, com ~18 GB transferidos para a RAM DDR5 rápida
• RX 7900 XTX (24 GB): estimados 3–7 tokens/s via ROCm/HIP, a confirmar conforme a versão do driver
• RTX 3090 (24 GB): velocidade estimada de 3–6 tokens/s, ligeiramente inferior em largura de banda

Para um modelo 70B em Q3_K_M (estimado em ~30–32 GB), próximo do limite da RTX 5090:

• RTX 5090 (32 GB): estimativa de 20–30 tokens/s se o modelo couber inteiramente na VRAM

Esses números ilustram a importância crítica da largura de banda da memória interna: eliminar o offload para a CPU multiplica a velocidade de inferência por dois a quatro em comparação com um offload parcial.

Licenças dos modelos: o que muda conforme o uso

A VRAM disponível determina quais modelos são acessíveis e, portanto, quais licenças se aplicam à sua implantação. Recapitulando as licenças dos modelos da classe 70–120B do catálogo:

• Apache 2.0 — uso comercial livre, redistribuição autorizada: Mixtral 8x22B Instruct (~82 GB Q4), Qwen3-Coder-Next 80B-A3B (~48 GB Q4), gpt-oss 120B (~70 GB Q4)
• MIT — licença muito permissiva, uso comercial livre: dots.llm1 Instruct (~85 GB Q4), Mistral Medium 3.5 128B (~74 GB Q4, Modified MIT)
• Comunidade Llama — uso comercial sob condições (MAU < 700M para as entidades envolvidas): Llama 4 Scout 109B (~65 GB Q4)
• Licença Qwen — uso comercial permitido de acordo com as condições da Alibaba: Qwen 2.5 72B Instruct (~42 GB Q4)

Para qualquer projeto com finalidade comercial, sempre verifique as condições exatas na ficha de cada modelo antes da implantação. As licenças Apache 2.0 e MIT oferecem a máxima flexibilidade.

FAQ

P: É possível executar um modelo 70B em uma RTX 4090?

Sim, com offload parcial para a RAM do sistema. A RTX 4090 dispõe de 24 GB de VRAM; um modelo como o Qwen 2.5 72B Instruct, que exige ~42 GB em Q4, transfere cerca de 18 GB para a RAM DDR5. A velocidade de inferência fica em torno de 4–9 tokens/s (estimativa), o que ainda é viável para uso interativo sem exigência de tempo real, desde que você tenha no mínimo 64 GB de RAM do sistema e uma CPU com largura de banda de memória suficiente.

P: A RTX 5090 cabe em um orçamento de 2 000 € na França?

Está no limite: entre 1.900 e 2.200 €, dependendo dos revendedores, em meados de 2026. Se você a encontrar por menos de 2.000 €, seus 32 GB de VRAM e sua largura de banda superior à da RTX 4090 reduzem significativamente o offload para a CPU nos modelos 70B, o que melhora a velocidade de inferência. Caso contrário, a RTX 4090 continua sendo a opção mais acessível e com melhor suporte no ecossistema de ferramentas locais.

P: AMD RX 7900 XTX ou NVIDIA RTX 4090 para LLMs locais?

A RX 7900 XTX oferece 24 GB de VRAM por 800–1.050 €, ou seja, 600–700 € a menos do que a RTX 4090. Em contrapartida, o ecossistema ROCm é menos maduro que o CUDA: vLLM e alguns backends exigem configuração manual, e o desempenho via HIP continua inferior ao obtido com CUDA na prática. Para llama.cpp e Ollama em uso padrão, a RX 7900 XTX funciona corretamente. Para uma stack mais complexa ou para a implantação de aplicações, a RTX 4090 simplifica a implementação.

P: Quanta RAM do sistema é preciso prever além da GPU?

Para o offload de modelos 70B em Q4, 64 GB de RAM DDR5 representam um mínimo razoável. 128 GB permitem manter margem para o sistema operacional e outros processos paralelos. A largura de banda da RAM (DDR5 dual-channel de alta frequência) influencia diretamente a velocidade de inferência durante o offload: uma DDR5-6000 dual-channel oferece um ganho perceptível em relação a uma DDR4-3200.

P: A RTX 5080 (16 GB) consegue rodar os modelos do catálogo?

Não. 16 GB de VRAM são insuficientes para todos os modelos do catálogo (mínimo de 71B de parâmetros). Mesmo em Q3_K_M, um modelo de 70B exige cerca de 30–32 GB (estimativa). A RTX 5080 é adequada para modelos de 7–34B, que não aparecem neste catálogo focado em LLMs de grande porte. Consulte nosso guia sobre GPU de alto nível para LLMs para configurações com múltiplas GPUs em escala maior.

P: A quantização Q4 degrada significativamente a qualidade das respostas?

A quantização Q4_K_M preserva o essencial das capacidades de um modelo em relação ao FP16 na maioria das tarefas de compreensão e geração de texto. As degradações mais acentuadas aparecem em tarefas de raciocínio matemático complexo e de código preciso, nas quais Q5_K_M ou Q8_0 são preferíveis se a VRAM permitir. As quantizações Q3 e inferiores mostram perdas mais visíveis e devem ser reservadas aos casos em que a VRAM é o fator limitante absoluto.

Conclusão

Em 2026, o melhor GPU para IA por menos de 2000 euros é a RTX 4090 por sua maturidade de software, seus 24 GB de VRAM GDDR6X e seu ecossistema CUDA sem complicações. Se seu orçamento chegar ao limite superior e a RTX 5090 estiver disponível por menos de 2.000 €, os 32 GB justificam o custo adicional pela redução do offload para a CPU. A RX 7900 XTX continua sendo a alternativa mais convincente abaixo de 1.050 €. Para encontrar os modelos compatíveis com sua configuração exata, use o configurador QualLLM ou explore todo o catálogo dos 249 LLMs indexados.