Por que hospedar seu próprio LLM
Quando você utiliza uma API de IA hospedada, cada prompt enviado é processado no hardware de terceiros. O provedor vê o texto completo das suas entradas e saídas, geralmente os retém por algum período, e aplica sua própria política de conteúdo ao que o modelo pode ou não dizer. Para qualquer coisa sensível — código proprietário, documentos confidenciais, dados pessoais, ou simplesmente trabalho que você prefere não compartilhar com terceiros — isso representa uma exposição significativa.
Hospedar seu próprio LLM elimina o intermediário. Você aluga um servidor GPU, carrega um modelo de código aberto nele e executa a inferência você mesmo. Os prompts jamais saem da infraestrutura sob seu controle, nada é retido a menos que você escolha reter, e o modelo é aquele que você escolheu — incluindo modelos abertos sem recusas embutidas. Combinado com um servidor GPU offshore sem KYC, a auto-hospedagem oferece um endpoint de IA privado que nenhuma empresa registra, limita por política ou pode ser obrigada a entregar. Este guia aborda a escolha do hardware e do modelo, como colocá-lo em funcionamento, e quanto custa.
Combinando a GPU com o modelo
O único número que decide tudo é a VRAM — a memória da GPU. Um modelo precisa caber na VRAM para funcionar bem, e a quantidade necessária depende do número de parâmetros e da precisão com que é carregado. Como regra geral, um modelo quantizado a 4 bits precisa de pouco mais de meio gigabyte de VRAM por bilhão de parâmetros; carregado com precisão total de 16 bits, precisa de aproximadamente o dobro disso, mais espaço para a janela de contexto.
Na prática, isso se mapeia claramente nas placas disponíveis:
- RTX 4090 / RTX 5090 (24-32 GB de VRAM) — executa confortavelmente modelos de até cerca de 30B parâmetros quantizados, e modelos menores com precisão total. O ponto ideal para a maioria dos usuários que hospedam seus próprios modelos: rápida, acessível e suficiente para os melhores modelos abertos de médio porte.
- H100 SXM5 (80 GB de VRAM) — executa modelos da classe 70B quantizados com folga, suporta grandes janelas de contexto e atende muitas requisições simultâneas com alto throughput. A escolha para os maiores modelos abertos ou cargas de trabalho em nível de produção.
- Multi-GPU (2x H100, 160 GB) — para os maiores modelos de código aberto e atendimento simultâneo intenso.
Comece pelo modelo que deseja executar, calcule sua necessidade de VRAM e escolha a menor placa que comporte o modelo com folga. Pagar por mais VRAM do que o modelo utiliza é orçamento desperdiçado.
Escolha seu modelo
O ecossistema de modelos de código aberto em 2026 é suficientemente robusto para que, na maioria das tarefas, um modelo auto-hospedado seja genuinamente competitivo com uma API hospedada. As principais famílias que vale conhecer:
- Modelos da família Llama — modelos de uso geral bem suportados em diversas faixas de tamanho; o padrão seguro para a maioria das cargas de trabalho.
- DeepSeek — excelente desempenho em raciocínio e programação, com tamanhos que funcionam bem em uma única placa de VRAM alta.
- Qwen e Mistral — capacidade excelente por parâmetro, com variantes menores que funcionam confortavelmente em uma placa de 24-32 GB.
- Variantes não censuradas ou abliteradas — ajustes finos da comunidade baseados nos modelos acima, com o comportamento de recusa removido, para usuários que querem um modelo que não aplica a política de conteúdo de um provedor hospedado.
Escolha o menor modelo que genuinamente executa bem sua tarefa. Um modelo de 14B-30B bem escolhido em uma única 4090 ou 5090 é suficiente para a grande maioria dos usos reais — auxílio com código, redação, resumo, análise — e é muito mais barato de executar do que recorrer a um modelo de 70B por hábito.
Passo 1 — Provisionando o servidor GPU
Na ServPrivacy, escolha um plano GPU com a placa que você decidiu e a jurisdição desejada, e pague em cripto. O servidor é provisionado automaticamente — o CUDA e os drivers NVIDIA vêm pré-instalados, então a máquina está pronta para inferência no momento em que inicializa; não há instalação de drivers para enfrentar.
Conecte via SSH. Um rápido nvidia-smi confirma que a GPU está visível e exibe sua VRAM livre. A partir daqui, você está a apenas alguns comandos de um modelo em funcionamento.
Passo 2 — Colocando um modelo em funcionamento
Existem dois caminhos bem estabelecidos, dependendo de se você quer simplicidade ou throughput máximo.
O caminho rápido: Ollama. Para ter um modelo respondendo prompts em minutos, Ollama é a opção mais simples. Instale com seu instalador de uma linha, depois baixe e execute um modelo com um único comando — por exemplo ollama run llama3.1. O Ollama cuida do download, da quantização e do offload para a GPU, e expõe uma API local. Para uso pessoal e desenvolvimento, isso é tudo que a maioria das pessoas precisa.
O caminho de alto throughput: vLLM. Se você precisa atender muitas requisições simultâneas de forma eficiente — um backend de aplicação em vez de um assistente pessoal — vLLM é a escolha padrão. É um servidor de inferência de alto desempenho que extrai muito mais tokens por segundo da mesma GPU, e expõe uma API compatível com OpenAI, então código existente escrito para uma API hospedada pode ser apontado para seu próprio servidor com apenas uma mudança de URL.
De qualquer forma, poucos minutos após o servidor inicializar você tem um modelo aceitando prompts.
Passo 3 — Use com privacidade e proteja o endpoint
Por padrão, o servidor de inferência escuta localmente. Você tem duas formas sensatas de acessá-lo, e uma regra.
A regra: não exponha a API de inferência bruta à internet aberta. Por padrão ela não tem autenticação, e um endpoint aberto será encontrado e abusado. Em vez disso, acesse-o via túnel SSH — para que a API permaneça vinculada ao localhost e você a acesse pela conexão SSH criptografada — ou coloque-o atrás de um proxy reverso que enforce autenticação e TLS. Para um assistente pessoal, o túnel SSH é a opção mais simples e privada; para uma aplicação, o proxy autenticado.
Feito dessa forma, os prompts trafegam apenas entre você e seu próprio servidor. Nada é registrado por terceiros, nada é retido além do que você configurar, e o modelo responde sem uma política de conteúdo externa no caminho. É, no sentido literal, a sua IA.
Quanto custa
A economia da auto-hospedagem depende inteiramente do padrão de uso. Uma API hospedada cobra por token, o que é excelente para uso leve e ocasional e caro para uso intenso e contínuo. Um servidor GPU alugado tem um custo mensal fixo, independentemente de quantos tokens você processa.
O ponto de virada chega rapidamente para quem executa cargas de trabalho reais. Um único servidor RTX 4090 custa a partir de cerca de $122/mês na ServPrivacy; se seu gasto mensal em uma API hospedada já está nessa faixa — e para assistentes de código, processamento em lote ou qualquer backend de aplicação isso frequentemente acontece — uma GPU dedicada é tanto mais barata quanto ilimitada. Você também ganha o que uma conta por token não pode oferecer: sem limites de taxa, sem recusas por política, custo previsível e privacidade completa. Para perguntas pontuais ocasionais, uma API é adequada; para qualquer uso regular, hospedar seu próprio modelo vence tanto em custo quanto em controle.
Quando hospedar seu próprio LLM é a escolha certa
Hospedar seu próprio LLM é a escolha certa quando qualquer uma dessas três coisas importa para você: privacidade — os prompts contêm algo que você não colocaria nos servidores de terceiros; controle — você quer um modelo específico, incluindo modelos abertos sem recusas hospedadas; ou economia — seu uso é intenso o suficiente para que um custo fixo de GPU supere uma conta por token.
Se você apenas faz perguntas ocasionais a um modelo, uma API hospedada é mais simples e mais barata. Mas para uso contínuo, material sensível ou a necessidade de um modelo que responda nos seus termos, um servidor GPU executando seu próprio modelo é a configuração superior — e em um host GPU offshore sem KYC, é um endpoint de IA privado que não pertence a ninguém além de você.