O card que diz qual IA roda na sua placa acerta quase tudo — e erra na única conta que decide

Como ler: cada barra é uma faixa de memória. O azul é o arquivo de pesos; o roxo, o cache num contexto de trabalho de 32 mil tokens; o vermelho, o que ainda faltaria no contexto máximo do modelo. Quando a barra passa da linha branca, aquele degrau só vale em conversa curta.

Circula um card, em espanhol, que resolve numa tabela a pergunta mais repetida de quem quer rodar IA em casa: quanto de memória de vídeo você tem, e o que roda nisso. Dez faixas, de 4 GB a 256 GB, cada uma com a placa e o modelo correspondente.

Baixei a lista de arquivos, li os config.json dos modelos e refiz as contas. O resultado me surpreendeu ao contrário do que eu esperava: o card acerta quase tudo. Dos dezessete vereditos de hardware, dezesseis estão corretos. Todos os modelos citados existem de verdade, com os nomes certos. Não é um card inventado por quem nunca abriu um terminal.

E mesmo assim ele não responde à pergunta que promete responder. Porque orça metade da conta.

O que o card acerta, e é muita coisa

As placas estão certas. RTX 5060 e 4060 têm 8 GB; a 5060 Ti tem 16 GB (e também existe numa versão de 8 GB, que o card não menciona); a 4080 tem 16 GB; a 3090 tem 24 GB; a 5090 tem 32 GB. A RTX PRO 6000 Blackwell tem 96 GB nas três edições — Workstation, Max-Q e Server —, que diferem só no envelope de potência. O DGX Spark tem 128 GB de memória unificada.

Os chips da Apple também. E aqui eu estava errado antes de verificar: achei que a lista tinha invertido a hierarquia, porque dava 96 GB ao M5 Ultra e 128 GB ao M5 Max. Não inverteu. Os 96 GB são a configuração base do M5 Ultra; os 128 GB são o teto do M5 Max. A hierarquia real de tetos é M5 Ultra 512 GB, M5 Max 128 GB, M5 Pro 64 GB, M5 e M6 32 GB — rigorosamente respeitada. O card misturou pisos com tetos, o que confunde, mas cada célula é uma configuração comprável de verdade.

Até o M6 está certo, e é recente a ponto de eu quase ter descartado: foi anunciado em 25 de agosto de 2026, dois dias antes desta verificação. Primeiro chip da Apple em 2 nm, até 32 GB de memória unificada, 170 GB/s de banda, estreia no Mac mini com envio a partir de 22 de setembro.

Os modelos existem todos: Gemma 4 (a geração atual do Google, lançada em abril, primeira da família sob licença Apache 2.0), Qwen3.8-27B, Qwen3.8-Flash-Next e DeepSeek V4 Flash 0731. Os quants citados existem nos repositórios indicados.

O único item da lista que não existe

A RTX 5080 Super nunca foi lançada.

Os 24 GB que o card atribui a ela eram a especificação planejada, nunca a de um produto enviado. As fontes fortes do setor — VideoCardz, TechPowerUp, Tom's Hardware — descrevem a linha SUPER como adiada por tempo indeterminado, e a causa é econômica: o módulo de GDDR7 de 3 GB custa cerca de três vezes o de 2 GB, num mercado onde a demanda de datacenter absorve a oferta. Há relato de cancelamento definitivo, mas só em fonte secundária fraca, e eu não elevo "relatado como cancelado" a "cancelado".

Para o leitor, o que importa é operacional: essa linha recomenda hardware que não se compra. Na faixa de 24 GB, o que existe hoje é RTX 3090 (usada) ou RTX 4090. Corrigi isso na figura.

O erro que decide: o card orça só os pesos

Aqui está o problema real, e ele não é de hardware nem de nomenclatura.

A memória que um modelo ocupa tem duas parcelas. A primeira é o arquivo de pesos — fixa, conhecida antes de você baixar qualquer coisa, e é a única que o card orça. A segunda é o cache de contexto: uma estrutura que guarda o que já foi lido e cresce enquanto você conversa. Ela começa perto de zero e não para de subir até o limite do contexto.

Escrevi um artigo inteiro sobre essa segunda parcela — como ela funciona, por que a fórmula que circula em cards virais erra por um fator de seis a vinte nos modelos de 2026, e como calcular a sua: Como saber se um modelo de IA roda no seu computador — e por quê. Quem quiser a fórmula e a derivação, o lugar é lá. Aqui eu uso o resultado.

Consequência prática: "cabe" não é uma propriedade do modelo. É uma propriedade do par (modelo, contexto). Um card que não diz o contexto está afirmando algo que não pode ser verificado — e, na maioria das linhas, o contexto implícito é curto demais para o uso real.

Degrau por degrau, com as duas parcelas

Os pesos abaixo são o tamanho real do arquivo GGUF publicado, convertido para GiB. O cache saiu do config.json de cada modelo, com lote 1 e cache em 16 bits.

Valores em GiB. "Contexto máximo" é o maior contexto que medi para cada modelo: 128K no Gemma 4 E2B, 256K nos demais.

Um degrau de dez não fecha nem numa sessão de trabalho normal. Seis de dez não fecham no contexto máximo do próprio modelo que o card recomenda.

O degrau que quebra: 8 GB

É a linha mais popular do card, porque é a placa mais vendida. E é a que não se sustenta.

O Gemma 4 12B em q4_0 oficial do Google ocupa 6,50 GiB de pesos numa placa de 8 GB. Sobra 1,5 GiB. O cache consome 0,66 GiB a 8 mil tokens de contexto — cabe, com aperto. A 32 mil tokens, o cache vai a 2,16 GiB e o total bate 8,66 GiB numa placa de 8 GB. Não cabe. E 32 mil tokens não é um contexto exótico: é um arquivo de código médio, ou meia hora de conversa.

Quem seguir essa linha vai baixar 7 GB, rodar, achar ótimo nas primeiras mensagens e ver o processo morrer no meio de uma tarefa de verdade — sem entender por quê. É o pior tipo de recomendação errada: a que funciona no teste e falha no uso.

Na faixa de 16 GB acontece coisa parecida, mais discreta. O card oferece o Gemma 4 26B A4B em Q4_K_M como opção "no limite". Medido, ele está além do limite: 15,65 GiB de pesos mais 1,35 GiB de cache a 32K dão 17,00 GiB numa placa de 16 GB.

E o degrau de 4 GB só fecha em texto puro. O Gemma 4 E2B é multimodal, e o projetor que ele carrega para enxergar imagem e ouvir áudio pesa mais 0,92 GiB: com ele, os 3,57 GiB viram 4,49 GiB e a placa de 4 GB não segura. O card recomenda um modelo que vê, numa faixa onde só cabe a parte que lê.

E na direção contrária, o card é conservador demais em 96 GB: recomenda o Flash-Next em UD-Q2_K_XL (73,45 GiB), mas o UD-Q3_K_XL (83,81 GiB) mais 6,11 GiB de cache no contexto máximo somam 89,92 GiB e cabem folgados. Nessa faixa dá para escolher um quant melhor do que o sugerido.

Quatro armadilhas de nome

NVFP4 é de outro ecossistema. O card lista NVFP4 ao lado de Q4_K_M, Q6_K e Q8_0, como se fossem opções do mesmo menu. Não são. Os Q* são formatos GGUF, do llama.cpp. NVFP4 é um formato de 4 bits da NVIDIA que roda em vLLM e SGLang, exige tensor cores Blackwell e vem em outro repositório. Escolher entre eles não é escolher um quant — é escolher outra pilha de software.

Q4_K_M e Q6_K do Qwen3.8-27B só existem com o prefixo UD-. No repositório da Unsloth, os únicos GGUF sem prefixo são Q4_0, Q4_1, Q8_0 e BF16. Quem procurar pelo nome do card não acha o arquivo.

O "Q8" do DeepSeek não é 8 bits por peso. O UD-Q8_K_XL do DeepSeek V4 Flash 0731 tem 161,87 GB para 304 bilhões de parâmetros — o que dá cerca de 4,3 bits por peso, não 8. A própria Unsloth diz no card do modelo que esse arquivo é apenas 7 GB maior que o Q4. O rótulo descreve a precisão de alguns tensores, não a média do arquivo.

O GB do Hub não é o GB da placa. Tamanho de arquivo é publicado em bilhões de bytes; memória de vídeo é contada em potências de dois. São 7% de diferença, o suficiente para transformar um "cabe" em "não cabe" nas linhas apertadas. Converti tudo para GiB na tabela.

Três ressalvas que valem para a tabela inteira

As linhas com ✅ ainda são otimistas. Pesos mais cache não é a ocupação total do processo: falta o contexto de CUDA ou Metal, as ativações intermediárias e o que o sistema operacional e o display já consomem. Some de 1 a 2 GB e trabalhe com 10% a 15% de folga.

Duas placas não são uma placa grande. "2× RTX 5090 = 64 GB" é aritmeticamente certo e arquiteturalmente enganoso. A geração Blackwell de consumo não tem NVLink: o modelo precisa ser fatiado entre as duas placas e o tráfego entre camadas atravessa o PCIe. Vale como capacidade agregada com penalidade de interconexão, nunca como um pool único. O mesmo vale para os dois DGX Spark de 256 GB: o enlace de 200 Gb/s entre eles dá cerca de 25 GB/s contra os 273 GB/s da memória local. Memória de fato unificada, nessa lista, só no Apple Silicon e no DGX Spark individual.

No Mac, nem toda a memória unificada é da GPU. O macOS reserva parte do pool para o sistema. O limite é ajustável — nesta máquina, sysctl iogpu.wired_limit_mb devolve 0, que significa "use o padrão do sistema" — mas a Apple não publica qual é esse padrão. É a razão provável de o card dar ao M5 Max de 128 GB um quant menor do que ao DGX Spark de 128 GB, e a distinção é justa: os dois números iguais não valem a mesma coisa na prática.

O que eu faria com isso

Se você tem 8 GB, não baixe o 12B esperando trabalhar com ele. Use o Gemma 4 E4B, ou aceite o 12B com contexto limitado a 8K e configure o servidor para isso explicitamente, em vez de descobrir o limite quando o processo morrer.

Se você tem 24 ou 32 GB, o Qwen3.8-27B é uma escolha boa — mas dimensione o contexto. A 128 mil tokens ele cabe; no máximo de 262.144, não. Quem precisa do contexto máximo nessa faixa precisa quantizar também o cache, com --cache-type-k e --cache-type-v no llama.cpp. Quantizar o arquivo de pesos não encolhe o cache — são coisas separadas, e essa é a confusão mais comum que eu vejo.

E, em qualquer faixa: antes de escolher o quant, decida o contexto. A ordem inversa é o que produz cards como esse.

Como refazer esta conta

Os números desta página não são de terceiros. Os pesos são o tamanho dos arquivos publicados; o cache saiu de um programa que lê o config.json de cada modelo e separa as camadas que guardam cache das que não guardam. O programa que monta a tabela está publicado junto: gerar-dataset.py.

Cada linha traz o repositório de onde saiu o peso, e a conta é uma subtração — dá para conferir qualquer célula à mão.

Fontes

• Qwen3.8-27B · GGUF · NVFP4
• Qwen3.8-Flash-Next · GGUF
• DeepSeek V4 Flash 0731 · GGUF
• Gemma 4 — anúncio · notas de versão · relatório técnico · GGUF QAT oficial do 12B · GGUF QAT oficial do E2B
• llama.cpp — bits por peso de cada formato
• Apple: Mac Studio (M5 Max e M5 Ultra) · MacBook Pro 14" (M5 Pro e M5 Max) · anúncio do M6 e do M5 Ultra
• RTX 50 SUPER adiada: VideoCardz · TechPowerUp · Tom's Hardware, sobre o preço da GDDR7
• O cálculo das duas parcelas, em detalhe: Como saber se um modelo de IA roda no seu computador — e por quê · pacote citável

Verificado em 27 de agosto de 2026. Os tamanhos de arquivo foram lidos no Hugging Face Hub na data; o cache foi calculado dos config.json publicados, não medido em execução. A ausência da RTX 5080 Super e as configurações de memória da Apple foram conferidas nas fontes listadas. O que não foi conferido está declarado como tal no corpo.