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-3-4b-it"mostra a GPU que você precisa,uvx whichllm@latest run "gemma-3-4b-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 | 1303 | #287 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 | 74 tok/s |
| RTX 4060 Ti 16 GB | 16 GB | Cabe na GPU | 60 tok/s |
| RTX 3090 | 24 GB | Cabe na GPU | 171 tok/s |
| RTX 4090 | 24 GB | Cabe na GPU | 182 tok/s |
| RTX 5090 | 32 GB | Cabe na GPU | 284 tok/s |
| RX 7900 XTX | 24 GB | Cabe na GPU | 175 tok/s |
| 2 × RTX 3090 | 48 GB | Cabe na GPU | 166 tok/s |
| 4 × RTX 3090 | 96 GB | Cabe na GPU | 157 tok/s |
| Mac M4 Max 128 GB | 96 GB | Cabe na GPU | 85 tok/s |
| Ryzen AI Max+ 395 128 GB | 96 GB | Cabe na GPU | 54 tok/s |
| 8 × H100 SXM | 640 GB | Cabe na GPU | 352 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 | 3.1 GB | 3.7 GB | 6.1 GB | +10.5% perda perceptível |
| Q4_K_M | 3.5 GB | 4.1 GB | 6.5 GB | +2.8% perda pequena |
| Q5_K_M | 4.0 GB | 4.6 GB | 7.0 GB | +0.9% perda muito pequena |
| Q6_K | 4.4 GB | 5.0 GB | 7.5 GB | +0.3% quase sem perda |
| Q8_0 | 5.5 GB | 6.1 GB | 8.5 GB | ≈ 0% igual ao completo |
| F16 | 9.5 GB | 10 GB | 13 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
- Mistral Small 3.1 24B Instruct (2503) 1303
- Qwen2.5-72B-Instruct 1303 · 72.7 B
- Granite 4.1 8B 1304 · 8.8 B
- Olmo 3 32B Think 1306
- Mistral Large (2411) 1306
- Llama 3.1 Nemotron 70B Instruct 1299
Compartilhe esta página:XLinkedInRedditWhatsApp
Viu um número errado ou um link quebrado? Informe um erro