FreeLLMTodos os modelos › google
Onde usar de graça
- Chat do próprio laboratório: aistudio.google.com (grátis com limites diários)
- Execute em um comando com whichllm (gratuito, código aberto):
uvx whichllm@latest plan "gemma-3-12b-it"mostra a GPU que você precisa,uvx whichllm@latest run "gemma-3-12b-it gguf"a baixa e inicia um chat - Baixe e rode em casa: pesos oficiais · arquivos GGUF para Ollama e LM Studio
Pontuações Arena
| Arena | Pontuação | Posição | Votos |
|---|---|---|---|
| Chat | 1342 | #236 de 419 | 4K |
Posição entre todos os modelos, inclusive os pagos. Fonte: conjunto de dados do ranking da Arena.
Velocidade em hardware popular
| Hardware | Memória da GPU | Cabe? | Velocidade |
|---|---|---|---|
| RTX 3060 12 GB | 12 GB | Cabe na GPU | 28 tok/s |
| RTX 4060 Ti 16 GB | 16 GB | Cabe na GPU | 22 tok/s |
| RTX 3090 | 24 GB | Cabe na GPU | 69 tok/s |
| RTX 4090 | 24 GB | Cabe na GPU | 74 tok/s |
| RTX 5090 | 32 GB | Cabe na GPU | 124 tok/s |
| RX 7900 XTX | 24 GB | Cabe na GPU | 70 tok/s |
| 2 × RTX 3090 | 48 GB | Cabe na GPU | 67 tok/s |
| 4 × RTX 3090 | 96 GB | Cabe na GPU | 63 tok/s |
| Mac M4 Max 128 GB | 96 GB | Cabe na GPU | 37 tok/s |
| Ryzen AI Max+ 395 128 GB | 96 GB | Cabe na GPU | 20 tok/s |
| 8 × H100 SXM | 640 GB | Cabe na GPU | 173 tok/s |
Estimativa com 4 bits e contexto de 32K, com 64 GB de DDR5 para offload. Velocidade ≈ largura de banda da memória × 78% ÷ dados lidos por token, mais um custo fixo por token, calibrada em 44 testes reais com llama.cpp; erro típico de cerca de ±10%. Compare todas as GPUs.
Memória de GPU necessária
| Nível | Contexto de 8K | Contexto de 32K | Contexto de 128K | Qualidade vs. completo |
|---|---|---|---|---|
| Q3_K_M | 7.6 GB | 9.2 GB | 16 GB | +9.4% perda perceptível |
| Q4_K_M | 8.9 GB | 10 GB | 17 GB | +2.5% perda pequena |
| Q5_K_M | 10 GB | 12 GB | 18 GB | +0.8% perda muito pequena |
| Q6_K | 11 GB | 13 GB | 20 GB | +0.3% quase sem perda |
| Q8_0 | 14 GB | 16 GB | 22 GB | ≈ 0% igual ao completo |
| F16 | 26 GB | 27 GB | 34 GB | ≈ 0% igual ao completo |
Pesos + cache de contexto (a partir da arquitetura do modelo) + runtime. Qualidade: aumento em perplexity em relação ao modelo completo, com base em testes com llama.cpp, ajustado pelo tamanho do modelo. Simule a sua configuração.
Pontuação de chat ao longo do tempo
Pontuação Arena de 29 abr. 2026 a 28 out. 2026.
Modelos grátis parecidos em Chat
- Ling-flash-2.0 1343
- Llama 3.3 Nemotron Super 49B v1.5 1343
- Granite 4.2 30B 1340 · 29.3 B
- MiniMax-M2 1344 · 228.7 B
- nvidia-llama-3.3-nemotron-super-49b-v1.5 1338
- mistral-small-2506 1338
Compartilhe esta página:XLinkedInRedditWhatsApp
Viu um número errado ou um link quebrado? Informe um erro