--- title: "Rodar Ollama na VPS: modelo de linguagem só com CPU" description: "Instale o Ollama em uma VPS sem GPU, rode modelos pequenos quantizados, calcule a RAM necessária e proteja a API da porta 11434 com proxy ou túnel SSH." url: "https://streethosting.com.br/guias/vps/rodar-ollama-llm-vps-cpu" category: "vps" slug: "rodar-ollama-llm-vps-cpu" datePublished: "2026-11-13" dateModified: "2026-11-13" author: "Equipe StreetHosting" difficulty: "intermediario" language: "pt-BR" keywords: - "rodar ollama vps" - "llm na vps sem gpu" - "ollama cpu" - "instalar ollama ubuntu" - "modelo de linguagem local" - "api ollama porta 11434" --- # Rodar um modelo de linguagem na VPS com Ollama, usando só a CPU Dá para rodar modelos de 1B a 8B parâmetros numa VPS comum, sem GPU. Veja como instalar o Ollama, quanta RAM cada modelo pede, o que esperar de velocidade e como expor a API sem deixar a porta aberta para a internet. > **Resposta rápida** > > O **Ollama** roda modelos de linguagem abertos na sua própria VPS. As VPS não têm GPU, então tudo roda na CPU e na memória RAM: escolha modelos pequenos e quantizados, de 1B a 8B parâmetros. Instale com `curl -fsSL https://ollama.com/install.sh | sh`, rode um modelo com `ollama run llama3.2:3b` e use a API HTTP na porta 11434. Ela escuta só em 127.0.0.1 e não tem senha, então não a exponha direto: use túnel SSH ou um Nginx com autenticação. ## O que esperar de um modelo só com CPU Vamos começar pelo que importa: as VPS da StreetHosting não têm placa de vídeo. Um modelo de linguagem rodando numa VPS usa os núcleos da CPU e a memória RAM, e isso muda bastante a experiência em relação ao que você vê em serviços hospedados ou num computador com GPU. Na prática, a CPU atende bem tarefas leves e pontuais: resumir um texto, classificar mensagens por assunto, extrair campos de um email, reescrever uma frase, responder perguntas curtas sobre um trecho que você mesmo envia. Também serve para automações internas, em que ninguém está olhando a tela esperando a resposta aparecer palavra por palavra. Ela não serve para o que depende de um modelo grande ou de muita concorrência: um chat aberto ao público, geração de textos longos com qualidade de ponta ou vários usuários pedindo ao mesmo tempo. Se a sua meta é esse tipo de uso, uma GPU é o caminho, e uma VPS comum não resolve. Já para quem quer privacidade (o texto não sai do seu servidor) e custo fixo, o modelo pequeno na CPU é uma boa ferramenta. > **Atenção** > > Modelos de 1B a 8B parâmetros erram mais, inventam mais e entendem menos contexto do que os grandes. Sempre teste com os seus próprios textos antes de colocar numa automação, e deixe uma pessoa revisar qualquer saída que tenha consequência. ## Quanta RAM cada modelo pede O modelo inteiro precisa caber na memória. Os modelos do Ollama costumam vir quantizados, ou seja, com os pesos guardados em poucos bits (o padrão é perto de 4 bits por peso) em vez de 16. Isso reduz o tamanho em cerca de quatro vezes com uma perda de qualidade pequena. A regra aproximada para planejar: **tamanho do modelo quantizado, mais 1 a 2 GB de folga** para o contexto da conversa, o próprio Ollama e o sistema. Quanto mais longo o texto que você envia, mais memória o contexto consome. Para o número exato de cada modelo, abra a página dele em `ollama.com/library` e olhe o tamanho da variante que você vai baixar. - **1B a 3B parâmetros:** o arquivo quantizado fica na casa de 1 a 2 GB. Cabe numa VPS de 4 GB, com o Ollama sozinho na máquina. - **7B a 8B parâmetros:** o arquivo fica na casa de 4 a 5 GB. Pense em 8 GB de RAM no mínimo, para ter folga de contexto e deixar o resto do sistema respirar. - **Acima de 8B:** já exige 16 GB ou mais e a velocidade em CPU cai a ponto de incomodar. Para esse tamanho, avalie GPU. Se o modelo não cabe na RAM, o sistema começa a usar swap e a velocidade despenca. O [guia de swap](https://streethosting.com.br/guias/vps/configurar-swap-ubuntu-vps) ajuda a evitar que o processo seja morto por falta de memória, mas swap não é uma solução para rodar modelo grande: serve de rede de proteção. ## O que decide a velocidade Gerar texto com um modelo de linguagem é um trabalho que, para cada palavra nova, lê quase todos os pesos do modelo na memória. Isso faz da **banda de memória** o fator que mais pesa: quão rápido a RAM entrega dados para os núcleos. Um modelo menor tem menos para ler a cada palavra, e por isso responde mais rápido. Os **núcleos da CPU** vêm em segundo lugar. Mais núcleos ajudam principalmente na leitura do seu texto de entrada (o prompt) e no cálculo em si. Memória rápida, como DDR5, também ajuda em relação a DDR4. Já a quantização mais agressiva (menos bits) deixa o modelo menor e mais rápido, com uma queda de qualidade que cresce quanto menos bits você usa. Não existe um número único de palavras por segundo que valha para todo mundo, porque ele depende do modelo, da quantização, do tamanho do prompt e da máquina. A forma honesta de saber é medir no seu caso: o comando `ollama run NOME --verbose` imprime ao final estatísticas da resposta, incluindo a taxa de geração. Teste dois ou três modelos com um texto típico do seu uso e escolha o menor que entrega a qualidade que você precisa. > **Dica** > > Rode o teste com a VPS parada, sem outros serviços pesados. Use o [guia para ver CPU, RAM e disco no Linux](https://streethosting.com.br/guias/vps/verificar-cpu-ram-disco-rede-linux) para acompanhar o consumo enquanto o modelo responde. ## Instalar e rodar o primeiro modelo No Ubuntu, o instalador oficial cria o binário e um serviço do systemd que sobe o Ollama junto com o servidor. Rode como usuário com sudo: ``` curl -fsSL https://ollama.com/install.sh | sh ollama --version systemctl status ollama ``` O script baixa e executa código como root, então vale ler o conteúdo antes se você tem essa preocupação. Com o serviço ativo, baixe e abra uma conversa com um modelo pequeno: ``` ollama run llama3.2:3b # digite a pergunta, e /bye para sair ollama list # modelos baixados ollama ps # modelos carregados agora ollama stop llama3.2:3b ollama rm llama3.2:3b ``` Na primeira vez o comando baixa o modelo, o que pode levar alguns minutos, e depois abre o prompt interativo. Outros modelos pequenos populares na biblioteca incluem variantes de Qwen, Gemma e Phi; o nome e a tag exatos (por exemplo o número de parâmetros depois dos dois pontos) estão na página de cada um. Os modelos ficam em disco, então confirme o espaço livre antes de baixar vários. ## Usar a API na porta 11434 Além do terminal, o Ollama sobe uma API HTTP na porta 11434, que é o que aplicações e automações usam. Por padrão ela escuta em `127.0.0.1`, então só programas dentro da própria VPS conseguem chamar a API. Teste assim: ``` curl http://127.0.0.1:11434/api/generate -d '{ "model": "llama3.2:3b", "prompt": "Resuma em uma frase: servidores VPS usam virtualização KVM.", "stream": false }' ``` Há também o endpoint `/api/chat` para conversas com histórico. Duas variáveis valem a pena conhecer. O `OLLAMA_KEEP_ALIVE` define por quanto tempo o modelo fica na memória depois do último uso (o padrão é 5 minutos); manter carregado evita a espera de carga a cada chamada, ao custo da RAM ocupada. E o `OLLAMA_NUM_PARALLEL` controla quantas requisições o mesmo modelo atende juntas, com padrão 1. Aumentar esse valor consome mais memória e divide a CPU entre as requisições. Para definir uma variável no serviço, use um override do systemd: ``` sudo systemctl edit ollama.service # no editor, adicione: [Service] Environment="OLLAMA_KEEP_ALIVE=30m" sudo systemctl daemon-reload sudo systemctl restart ollama ``` ## Acessar de fora sem abrir a porta > **Atenção** > > A API do Ollama não tem usuário nem senha. Quem alcançar a porta 11434 usa o seu servidor de graça, gasta a sua CPU e pode baixar ou apagar modelos. Não mude `OLLAMA_HOST` para 0.0.0.0 e deixe a porta aberta no firewall. Existem duas formas seguras de chamar a API a partir do seu computador ou de outro servidor. A mais simples é o **túnel SSH**, que encaminha uma porta local para a porta da VPS usando a conexão que você já tem. No seu computador: ``` ssh -N -L 11434:127.0.0.1:11434 usuario@IP_DA_VPS # em outro terminal, no seu computador: curl http://127.0.0.1:11434/api/tags ``` A segunda é um **proxy reverso com senha**, útil quando uma aplicação em outro lugar precisa chamar a API sem túnel. O Nginx fica na frente, exige usuário e senha e repassa a requisição para 127.0.0.1:11434. A base do proxy está no [guia de proxy reverso com Nginx](https://streethosting.com.br/guias/vps/configurar-nginx-reverse-proxy-vps); aqui vai o trecho que muda: ``` sudo apt install -y apache2-utils sudo htpasswd -c /etc/nginx/.htpasswd-ollama usuario # dentro do bloco server do seu site com HTTPS: location / { auth_basic "Ollama"; auth_basic_user_file /etc/nginx/.htpasswd-ollama; proxy_pass http://127.0.0.1:11434; proxy_set_header Host localhost:11434; proxy_read_timeout 300s; proxy_buffering off; } ``` O `proxy_read_timeout` alto evita que respostas longas sejam cortadas, e o `proxy_buffering off` deixa a resposta chegar em pedaços conforme é gerada. Use sempre HTTPS junto com a senha, senão ela viaja sem proteção: o [guia de certificado SSL com Let's Encrypt](https://streethosting.com.br/guias/vps/certificado-ssl-vps-lets-encrypt-nginx) cobre esse passo. Se o seu cliente também precisa de uma chave de acesso, uma aplicação pequena na frente da API faz o papel, e o resto do servidor continua protegido pelo [SSH seguro](https://streethosting.com.br/guias/vps/ssh-seguro-vps-linux). ## Onde rodar isso na StreetHosting Modelo de linguagem em CPU pede memória e CPU rápidas, e acesso root para instalar o serviço e ajustar o systemd. Nas VPS da StreetHosting a virtualização é KVM, com root, IPv4 dedicado, AntiDDoS incluso e servidor em São Paulo. Elas não têm GPU, então o que descrevemos aqui vale para modelos pequenos. A VPS Ryzen 9 9950X usa memória DDR5, que ajuda na velocidade de geração, e vai de 2 GB até 64 GB de RAM, o que cobre desde um modelo de 1B até os de 8B com folga. Ela começa em R$ 43,00 por mês e usa NVMe, bom para guardar vários modelos. A VPS Xeon, com 2 vCPU e 2 GB DDR4 por R$ 26,00, dá para experimentar um modelo de 1B, sem folga para os maiores. Confira a [página da VPS Ryzen](https://streethosting.com.br/vps/ryzen) para ver as configurações disponíveis antes de escolher a memória. ## Perguntas frequentes ### Dá para rodar um modelo de linguagem em VPS sem GPU? Dá, com modelos pequenos e quantizados, de 1B a 8B parâmetros. A VPS usa só a CPU e a memória RAM, então a resposta sai mais devagar do que numa placa de vídeo. Para resumo, classificação e uso interno com poucas pessoas funciona bem. Para muitos usuários ao mesmo tempo ou modelos grandes, você precisa de GPU. ### Quanta RAM eu preciso para rodar um modelo no Ollama? Como regra aproximada, some o tamanho do arquivo do modelo quantizado com uma folga de 1 a 2 GB para o contexto e para o sistema. Um modelo de 3B parâmetros em quantização de 4 bits ocupa na casa de 2 GB em disco e na memória. O tamanho exato de cada modelo aparece na página dele em ollama.com/library. ### A porta 11434 do Ollama fica aberta para a internet? Não por padrão. O Ollama escuta só em 127.0.0.1, então só a própria VPS enxerga a API. Ela só fica exposta se você mudar a variável OLLAMA_HOST para 0.0.0.0. Como a API não tem autenticação, prefira manter em 127.0.0.1 e acessar por túnel SSH ou por um Nginx com senha. ### O Ollama substitui o ChatGPT ou uma GPU? Não. Modelos de 1B a 8B rodando em CPU são bons para tarefas leves e repetitivas, mas respondem com menos qualidade e mais lentidão do que os modelos grandes hospedados. Eles servem para quem quer privacidade dos dados, custo previsível e automações internas, não para competir com os maiores. ### O Ollama continua usando memória depois que termino de usar? O modelo fica carregado por 5 minutos depois da última requisição e então é descarregado. Você muda isso com a variável OLLAMA_KEEP_ALIVE ou com o parâmetro keep_alive em cada chamada da API. Com ollama stop NOME o modelo sai da memória na hora. ## Guias relacionados - [Como verificar CPU, RAM, disco e rede no Linux por comando](https://streethosting.com.br/guias/vps/verificar-cpu-ram-disco-rede-linux.md) - [Como configurar o Nginx como reverse proxy na VPS](https://streethosting.com.br/guias/vps/configurar-nginx-reverse-proxy-vps.md) - [Como configurar memória swap no Ubuntu da VPS](https://streethosting.com.br/guias/vps/configurar-swap-ubuntu-vps.md) - [SSH seguro em VPS Linux: chaves, senhas, fail2ban e hábitos que evitam invasão](https://streethosting.com.br/guias/vps/ssh-seguro-vps-linux.md) - [Como integrar inteligência artificial em um bot do Discord](https://streethosting.com.br/guias/bots-discord/bot-discord-integrar-inteligencia-artificial.md) ## Produtos citados - https://streethosting.com.br/vps/ryzen - https://streethosting.com.br/vps ## Dados estruturados ```json [ { "@context": "https://schema.org", "@type": [ "Article", "TechArticle" ], "headline": "Rodar um modelo de linguagem na VPS com Ollama, usando só a CPU", "name": "Rodar Ollama na VPS: modelo de linguagem só com CPU", "abstract": "Dá para rodar modelos de 1B a 8B parâmetros numa VPS comum, sem GPU. Veja como instalar o Ollama, quanta RAM cada modelo pede, o que esperar de velocidade e como expor a API sem deixar a porta aberta para a internet.", "description": "Instale o Ollama em uma VPS sem GPU, rode modelos pequenos quantizados, calcule a RAM necessária e proteja a API da porta 11434 com proxy ou túnel SSH.", "datePublished": "2026-11-13", "dateModified": "2026-11-13", "author": { "@type": "Organization", "name": "Equipe StreetHosting" }, "publisher": { "@type": "Organization", "name": "StreetHosting", "url": "https://streethosting.com.br" }, "inLanguage": "pt-BR", "mainEntityOfPage": { "@type": "WebPage", "@id": "https://streethosting.com.br/guias/vps/rodar-ollama-llm-vps-cpu" } }, { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": "Dá para rodar um modelo de linguagem em VPS sem GPU?", "acceptedAnswer": { "@type": "Answer", "text": "Dá, com modelos pequenos e quantizados, de 1B a 8B parâmetros. A VPS usa só a CPU e a memória RAM, então a resposta sai mais devagar do que numa placa de vídeo. Para resumo, classificação e uso interno com poucas pessoas funciona bem. Para muitos usuários ao mesmo tempo ou modelos grandes, você precisa de GPU." } }, { "@type": "Question", "name": "Quanta RAM eu preciso para rodar um modelo no Ollama?", "acceptedAnswer": { "@type": "Answer", "text": "Como regra aproximada, some o tamanho do arquivo do modelo quantizado com uma folga de 1 a 2 GB para o contexto e para o sistema. Um modelo de 3B parâmetros em quantização de 4 bits ocupa na casa de 2 GB em disco e na memória. O tamanho exato de cada modelo aparece na página dele em ollama.com/library." } }, { "@type": "Question", "name": "A porta 11434 do Ollama fica aberta para a internet?", "acceptedAnswer": { "@type": "Answer", "text": "Não por padrão. O Ollama escuta só em 127.0.0.1, então só a própria VPS enxerga a API. Ela só fica exposta se você mudar a variável OLLAMA_HOST para 0.0.0.0. Como a API não tem autenticação, prefira manter em 127.0.0.1 e acessar por túnel SSH ou por um Nginx com senha." } }, { "@type": "Question", "name": "O Ollama substitui o ChatGPT ou uma GPU?", "acceptedAnswer": { "@type": "Answer", "text": "Não. Modelos de 1B a 8B rodando em CPU são bons para tarefas leves e repetitivas, mas respondem com menos qualidade e mais lentidão do que os modelos grandes hospedados. Eles servem para quem quer privacidade dos dados, custo previsível e automações internas, não para competir com os maiores." } }, { "@type": "Question", "name": "O Ollama continua usando memória depois que termino de usar?", "acceptedAnswer": { "@type": "Answer", "text": "O modelo fica carregado por 5 minutos depois da última requisição e então é descarregado. Você muda isso com a variável OLLAMA_KEEP_ALIVE ou com o parâmetro keep_alive em cada chamada da API. Com ollama stop NOME o modelo sai da memória na hora." } } ] } ] ```