Como rodar IA local com o Ollama: instalação, comandos e memória necessária

O Ollama baixa um modelo de linguagem aberto para o seu computador e o executa ali mesmo, sem mandar o texto para um servidor de terceiros. Com ele instalado, um comando como ollama run gemma4:e2b já abre uma conversa no terminal. O que decide se a experiência será boa ou frustrante é a memória da sua máquina, e é por ela que este tutorial começa.

Tudo abaixo foi conferido na documentação oficial (docs.ollama.com), no repositório do projeto no GitHub e na biblioteca de modelos em outubro de 2026. Em 14 de outubro de 2026, a versão estável mais recente publicada no GitHub era a v0.40.5. O projeto atualiza com frequência, então nomes de modelos e opções podem mudar.

Antes de instalar: confira três coisas

1. Sistema operacional e placa de vídeo

Segundo a documentação do Ollama para Windows, o requisito é Windows 10 22H2 ou mais novo, edição Home ou Pro. A instalação vai para a pasta do usuário e não exige permissão de administrador. No macOS e no Linux também há instalador oficial.

A placa de vídeo não é obrigatória, mas muda tudo na velocidade. A página de GPUs da documentação informa:

Se a sua placa não aparece em nenhuma linha, o Ollama roda na CPU. Funciona, só que bem mais devagar.

2. Memória: o modelo precisa caber

Um modelo de linguagem precisa ser carregado inteiro na memória para responder. O lugar ideal é a memória da placa de vídeo (VRAM); no Mac, a memória unificada. Quando a VRAM não basta, a documentação explica que o Ollama passa parte do modelo para a RAM do sistema, e as respostas ficam mais lentas.

O guia rápido oficial dá uma referência concreta: o modelo local de exemplo, o Gemma 4 E2B, exige um download de cerca de 7,2 GB, e a recomendação é ter 8 GB de VRAM disponível (ou memória unificada no Mac). A documentação também avisa que janelas de contexto maiores consomem mais memória.

Na prática, compare o tamanho do download do modelo com a memória livre da sua máquina, deixando folga para o contexto e para o sistema. Alguns tamanhos publicados na biblioteca oficial em outubro de 2026:

A última coluna é uma orientação derivada dos tamanhos, não uma garantia: o consumo real cresce com o contexto que você usar. O contexto máximo é o que o modelo suporta; o Ollama, por padrão, usa um contexto de 4.096 tokens, segundo o FAQ oficial.

3. Espaço em disco

A documentação do Windows pede pelo menos 4 GB para o programa, mais o espaço dos modelos, que pode chegar a "dezenas ou centenas de GB" se você baixar vários. Os modelos ficam em:

• Windows: C:\Users\%username%\.ollama\models
• macOS: ~/.ollama/models
• Linux: /usr/share/ollama/.ollama/models

Para guardar os modelos em outro disco, defina a variável de ambiente OLLAMA_MODELS com a pasta desejada.

Passo a passo da instalação

Windows

O caminho mais simples é baixar o instalador em ollama.com. O repositório oficial também publica a instalação pelo PowerShell:

irm https://ollama.com/install.ps1 | iex

Para instalar em outro diretório, a documentação indica rodar o instalador com o parâmetro /DIR, por exemplo OllamaSetup.exe /DIR="d:\ollama".

macOS e Linux

Também há instalador para download no site. Pelo terminal, o comando oficial é:

curl -fsSL https://ollama.com/install.sh | sh

Esse tipo de comando baixa e executa um script da internet. Confira se o endereço é exatamente ollama.com antes de rodar; se quiser, baixe o script e leia antes de executar.

Docker

Quem prefere contêiner pode usar a imagem oficial ollama/ollama, publicada no Docker Hub. Se o assunto é novo, o guia sobre o que é Docker explica o básico.

Primeiros comandos

Depois de instalado, abra o aplicativo ou digite ollama no terminal. Na configuração inicial, o programa oferece entrar em uma conta (para usar modelos na nuvem) ou escolher um modelo local. Para manter tudo no seu computador, escolha um modelo local.

Baixe e rode o modelo do guia oficial:

ollama pull gemma4:e2b
ollama run gemma4:e2b

No Linux, se o servidor não estiver rodando, a documentação manda iniciar com ollama serve antes. Dentro da conversa, para colar um texto de várias linhas, envolva o trecho com três aspas ("""). Para sair, digite /bye.

Os comandos que você vai usar no dia a dia, conforme a referência de CLI oficial:

Um detalhe que confunde: depois de responder, o modelo continua na memória por 5 minutos, segundo o FAQ. Se você precisa liberar a VRAM na hora para outro programa, use ollama stop.

Descubra se o modelo está na GPU

Rode ollama ps com o modelo aberto e olhe a coluna PROCESSOR. A documentação explica a leitura:

• 100% GPU: o modelo inteiro está na placa de vídeo, o cenário mais rápido;
• 100% CPU: está todo na memória do sistema;
• algo como 48%/52% CPU/GPU: parte em cada um, sinal de que o modelo não coube na VRAM.

Se aparecer divisão entre CPU e GPU e a resposta estiver lenta, troque por uma tag menor do mesmo modelo.

Crie um assistente com instruções fixas

O arquivo Modelfile permite salvar um modelo com instruções e parâmetros próprios. Um exemplo no formato da documentação:

FROM llama3.2
PARAMETER temperature 0.7
PARAMETER num_ctx 8192
SYSTEM """Você revisa textos em português do Brasil. Aponte erros e sugira uma versão corrigida, sem mudar o sentido."""

Salve como Modelfile e rode:

ollama create revisor -f ./Modelfile
ollama run revisor

O num_ctx aumenta o contexto além do padrão de 4.096 tokens, à custa de mais memória. Também é possível mudar o contexto para todo o servidor com a variável OLLAMA_CONTEXT_LENGTH. Para escrever boas instruções de sistema, o guia de como escrever prompts mostra a estrutura.

Use o modelo em seus programas pela API local

Com o Ollama aberto, a API responde em http://localhost:11434. O exemplo do repositório oficial, adaptado:

curl http://localhost:11434/api/chat -d '{
  "model": "gemma4:e2b",
  "messages": [{"role": "user", "content": "Explique o que é DNS em duas frases."}],
  "stream": false
}'

O mesmo pedido em Python, com a biblioteca requests:

import requests

r = requests.post(
    "http://localhost:11434/api/chat",
    json={
        "model": "gemma4:e2b",
        "messages": [{"role": "user", "content": "Explique o que é DNS em duas frases."}],
        "stream": False,
    },
)
print(r.json()["message"]["content"])

O guia rápido também lista rotas compatíveis com outros formatos, como /v1/chat/completions. Isso permite apontar para o Ollama ferramentas que já falam esse formato, trocando apenas o endereço. Para entender o conceito de rota e requisição, veja o que é uma API. O comando ollama launch configura integrações prontas com ferramentas de programação como Claude Code, Codex e OpenCode, assunto que conversa com programar com IA.

Local de verdade: desligue a nuvem e não exponha a porta

Em 2026, o Ollama também oferece modelos que rodam na nuvem da empresa (tags terminadas em -cloud, como gemma4:cloud). Eles exigem login e mandam o texto para fora da sua máquina. O FAQ informa que, no uso local, a empresa não vê seus prompts e que, nos modelos de nuvem, o conteúdo é processado para prestar o serviço, sem armazenamento nem treino, segundo a própria empresa.

Se a ideia é garantir que nada saia do computador, a documentação descreve o modo só local: definir OLLAMA_NO_CLOUD=1 ou colocar "disable_ollama_cloud": true em ~/.ollama/server.json. Isso desativa os modelos de nuvem e a busca na web do Ollama.

O segundo cuidado é a rede. Por padrão, o servidor escuta apenas em 127.0.0.1, porta 11434, ou seja, só o próprio computador acessa.

Mudar OLLAMA_HOST para 0.0.0.0:11434 abre a API para a rede, e a API não tem senha. Só faça isso em rede confiável, de preferência atrás de um proxy com autenticação. Nunca libere essa porta no roteador para a internet.

Mais três hábitos:

• Licença de cada modelo: a biblioteca reúne modelos de empresas diferentes, cada um com licença própria. O Ollama em si é de código aberto, sob licença MIT. Para uso comercial, leia a licença do modelo na página do fabricante.
• Atualizações: no Windows e no macOS, o Ollama baixa as atualizações sozinho e pede para reiniciar pelo ícone da barra; no Linux, rode de novo o script de instalação.
• Dados pessoais: rodar localmente ajuda na conformidade com a LGPD, mas não dispensa as regras da empresa sobre quem pode processar quais dados.

Problemas comuns

Resposta muito lenta. Rode ollama ps. Se o modelo estiver dividido entre CPU e GPU ou todo na CPU, ele não coube na VRAM; use uma tag menor ou reduza o contexto.

Faltou memória ao carregar. Feche programas que usam a placa de vídeo (jogos, editores de vídeo), descarregue outros modelos com ollama stop e escolha um modelo menor.

A placa NVIDIA não é usada. Confira a versão do driver (550 ou mais nova; 551.61+ no Windows) e se a placa tem compute capability 5.0 ou superior.

AMD Radeon RX 6000 no Windows. A documentação avisa que alguns sistemas RDNA2 podem não ter suporte a ROCm v7 e recomenda o Vulkan, que vem ativado por padrão.

Notebook com GPU integrada e dedicada travando. Se o Vulkan escolher a GPU integrada, a documentação sugere definir GGML_VK_VISIBLE_DEVICES com o índice da placa dedicada.

Onde ver os logs no Windows. Na pasta %LOCALAPPDATA%\Ollama: server.log traz o registro do servidor e app.log o do aplicativo.

Respostas fracas. Modelos de 1 a 4 bilhões de parâmetros erram mais e inventam mais. Teste uma tag maior, se a memória permitir, ou reserve tarefas complexas para um assistente na nuvem. A comparação entre ChatGPT, Claude e Gemini ajuda nessa escolha.

Perguntas frequentes

O que é a "quantização" que aparece nas variações dos modelos?

É a redução da precisão numérica dos pesos do modelo para que ele ocupe menos memória e rode mais rápido, com alguma perda de qualidade. É por isso que uma mesma tag aparece com faixas de tamanho na biblioteca, como 4,6 a 7,5 GB no gemma4:e2b. Quanto mais compacta a versão, mais leve e menos precisa ela tende a ser.

O que são as versões "-mlx" na biblioteca?

São variações publicadas para Macs com chip Apple, preparadas para o MLX, framework de aprendizado de máquina da Apple. Em outubro de 2026, modelos como Gemma 4 e Qwen 3.5 têm tags -mlx listadas ao lado das versões comuns. Em Windows e Linux, use as tags sem esse sufixo.

Dá para usar o Ollama sem placa de vídeo?

Sim. O modelo roda na CPU e na RAM, só que mais devagar. Para esse cenário, comece por modelos de 1 a 3 bilhões de parâmetros, como llama3.2:1b ou qwen3.5:0.8b, que têm downloads perto de 1,3 GB.

Fontes

• Ollama. Quickstart.
• Ollama. Referência da CLI.
• Ollama. FAQ.
• Ollama. Instalação no Windows.
• Ollama. Hardware e GPUs suportadas.
• Ollama. Modelfile.
• Ollama. Repositório oficial no GitHub e versões publicadas.
• Ollama. Biblioteca de modelos: Gemma 4, Qwen 3.5 e Llama 3.2.
• Hugging Face. Conceitos de quantização.