Melhor GPU para gpt-oss-20b localmente
Preços em tempo real e recomendações de hardware atualizados para agosto de 2026.
O gpt-oss-20b é um modelo denso: todos os 20B de parâmetros são ativados a cada token, então a velocidade de geração depende da rapidez com que sua placa consegue ler todos os pesos.
Para executar o gpt-oss-20b localmente você precisa de cerca de 14.1 GB de VRAM com quantização Q4_K_M e um contexto de 32k tokens. A placa com melhor custo-benefício que comporta o modelo é a GeForce RTX 5060 Ti 16GB (16 GB), que deve gerar cerca de 12 tokens por segundo.
Ajustar comprimento do contexto
Deslize para tamanhos populares ou digite um valor manualmente.
Os pesos Q3 (~8,6GB) mais o KV cache de 32k chegam a ~11GB. Placas de 12GB cobrem toda a janela de contexto com folga.
Os pesos Q4 (~11,5GB) mais o KV cache de 32k chegam a ~14GB. Placas de 16GB são a configuração mainstream ideal.
Os pesos Q8 (~23GB) mais o KV cache de 32k excedem 24GB. Placas de 32GB+ entregam precisão praticamente sem perdas sem restrição de VRAM.
Outros modelos com o mesmo requisito de VRAM
Como os pesos de gpt-oss-20b cabem em uma placa de 16 GB, outros modelos de tamanho semelhante rodam na mesma GPU. A velocidade de geração varia — modelos Mixture-of-Experts são mais rápidos, modelos densos mais lentos — mas todos cabem na mesma VRAM:
Otimizando a configuração para gpt-oss-20b
Recomendações de quantização
Para tarefas diárias de programação e raciocínio, o Q4_K_M (quantização de 4 bits) oferece o melhor equilíbrio entre qualidade e eficiência de memória: reduz os requisitos de memória em mais de 70% com uma perda de qualidade mínima em comparação com FP16. Os ajustes Q8 e superiores preservam mais fidelidade ao custo de um uso de VRAM significativamente maior, o que pode forçar o descarregamento de camadas e reduzir o desempenho.
Software local recomendado
Recomendamos usar o Ollama como o executor principal para inferência local devido ao seu particionamento de GPU automatizado e otimizações de cache de contexto. Para ajustes avançados ou partições de quantização, o llama.cpp compilado nativamente com Flash Attention fornece o melhor controle granular.
Executando o gpt-oss-20b localmente — perguntas frequentes
De quanta VRAM preciso para executar o gpt-oss-20b?
Com um contexto de 32k e a quantização do cache KV ativada, o gpt-oss-20b precisa de cerca de 14.1 GB de VRAM em Q4_K_M — a quantização indicada para a maioria. Baixar para Q3_K_M reduz para aproximadamente 11.2 GB com alguma perda de qualidade, enquanto Q8_0 exige cerca de 25.6 GB para a melhor qualidade que este modelo consegue entregar.
Em que tamanho de placa de vídeo o gpt-oss-20b cabe?
O gpt-oss-20b precisa de cerca de 14.1 GB em Q4_K_M, então uma placa de 16 GB é o menor tamanho comum que o mantém inteiramente na VRAM. Abaixo disso é preciso transferir camadas para a RAM do sistema, o que costuma custar a maior parte da sua velocidade de geração.
Qual quantização devo usar para o gpt-oss-20b?
Use Q4_K_M, a menos que tenha VRAM sobrando. Ele precisa de cerca de 14.1 GB e perde muito pouca qualidade em relação à precisão total. O Q8_0 exige cerca de 25.6 GB por um ganho de qualidade que quase ninguém percebe ao programar ou conversar. Prefira usar a VRAM restante para um contexto mais longo.
Como o tamanho do contexto afeta a VRAM exigida pelo gpt-oss-20b?
Os pesos do modelo são fixos, mas o cache KV cresce linearmente com o contexto. Para o gpt-oss-20b com um contexto de 32k, o cache ocupa cerca de 2.6 GB; dobrando para 64k, ele chega a aproximadamente 5.1 GB. Desativar a quantização do cache KV dobra novamente esses valores.
A mesma GPU pode rodar outros modelos semelhantes ao gpt-oss-20b?
Sim. gpt-oss-20b precisa de cerca de 14.1 GB em Q4_K_M, e qualquer modelo cujos pesos caibam na mesma placa roda nela — incluindo InternLM2.5-20B (20B), Codestral 22B (22.2B), DiffusionGemma 26B-A4B (25.2B). Os pesos cabem na mesma GPU; a velocidade de geração varia (modelos Mixture-of-Experts são mais rápidos, modelos densos mais lentos).
▸Como as velocidades de tokens são estimadas
Como calculamos o Índice de Valor da GPU e normalizamos os dados de mercado.
Leitura (Prefill)
A consulta é processada em uma única passagem paralela. Isso é limitado por capacidade de computação: satura os tensor cores da GPU.
Decodificação (Geração)
Cada novo token exige carregar todos os pesos ativos do modelo a partir da VRAM. Isso é limitado pela largura de banda de memória: a GPU para aguardando dados em vez de computar.
Pesos = (activeParams × bits ÷ 8) × 1.15 de sobrecarga. Cachê KV por passo = activeParams × multiplicador × contextK.
Fatores de utilização por arquitetura
Esquerda: fator de decodificação — Direita: fator de leitura
Fontes de dados
Os TFLOPS e a largura de banda de memória são lidos do banco de dados de GPUs. Se ausentes, a largura de banda recorre a uma lista predefinida.
Limitações
Estas são estimativas analíticas, não resultados de testes reais. Use-as como uma comparação relativa, não como uma garantia absoluta de desempenho.