~/ / Artigos sobre IA / LLMs locais em uma VPS / Acompanhe a memória do Ollama em uma VPS pequena
Acompanhe a memória do Ollama em uma VPS pequena
Em um servidor pequeno, a memória é o limite, e o Ollama mantém um modelo na memória depois de responder. Este artigo mostra como ver o que está carregado, por quanto tempo fica, quantos modelos e quantas requisições o Ollama atende ao mesmo tempo e quais configurações mudam o uso de memória. Todos os valores padrão abaixo são citados do FAQ oficial.
Publicado: · 3 min de leitura · Fatos conferidos na documentação oficial do Ollama em 2026-10-27. Os valores padrão podem mudar entre versões, então confira o FAQ da versão que você usa.
Veja o que está carregado
O FAQ diz para usar ollama ps para ver quais modelos estão carregados na memória no momento. A coluna PROCESSOR indica onde cada modelo está.
| PROCESSOR mostra | O que o FAQ diz que significa |
|---|---|
| 100% GPU | O modelo foi carregado inteiramente na GPU. |
| 100% CPU | O modelo foi carregado inteiramente na memória do sistema. |
| 48%/52% CPU/GPU | O modelo foi carregado parcialmente na GPU e parcialmente na memória do sistema. |
Em uma VPS sem GPU, 100% CPU é a leitura esperada: o modelo fica na memória do servidor.
Por quanto tempo um modelo fica na memória
Por padrão, segundo o FAQ, os modelos ficam na memória por 5 minutos antes de serem descarregados. Você pode mudar isso para o servidor inteiro ou para uma única requisição.
| O que você quer | Como, segundo o FAQ |
|---|---|
| Descarregar um modelo agora | ollama stop llama3.2 |
| Manter um modelo carregado | Envie keep_alive com um número negativo, por exemplo -1, em uma requisição para /api/generate ou /api/chat. |
| Descarregar logo após a resposta | Envie keep_alive definido como 0. |
| Outro tempo | keep_alive também aceita uma string de duração, como 10m ou 24h, ou um número de segundos, como 3600. |
| Definir para o servidor inteiro | Defina a variável de ambiente OLLAMA_KEEP_ALIVE ao iniciar o servidor. Ela aceita os mesmos tipos de valores. Um keep_alive em uma requisição tem precedência sobre ela. |
Nossa leitura, não uma afirmação dos documentos: quando o mesmo servidor também executa outras coisas, como o Dify ou uma tela de chat, um modelo que permanece carregado tira a memória delas. Um tempo menor libera a memória mais cedo, e a próxima requisição precisa carregar o modelo de novo. Não medimos quanto tempo isso leva.
Vários modelos, várias requisições
O FAQ descreve três limites e uma regra. Se um novo modelo não cabe na memória disponível enquanto outros modelos estão carregados, as novas requisições ficam na fila até que ele possa ser carregado, e os modelos ociosos são descarregados para abrir espaço.
O estimador abaixo tem um campo para requisições paralelas, para que você veja o que um valor mais alto faz com o total.
| Configuração | O que o FAQ diz |
|---|---|
| OLLAMA_MAX_LOADED_MODELS | O número máximo de modelos que podem ser carregados ao mesmo tempo, desde que caibam na memória disponível. O padrão é 3 vezes o número de GPUs, ou 3 para inferência em CPU. |
| OLLAMA_NUM_PARALLEL | O número máximo de requisições paralelas que cada modelo processa ao mesmo tempo. O padrão é 1. A RAM necessária cresce com OLLAMA_NUM_PARALLEL vezes OLLAMA_CONTEXT_LENGTH. |
| OLLAMA_MAX_QUEUE | O número máximo de requisições que o Ollama enfileira quando está ocupado antes de rejeitar as demais. O padrão é 512. As requisições rejeitadas recebem um erro 503. |
Experimente: Local LLM Memory Estimator
Estimativa
- Pesos do modelo
- 4.84 GiB
- KV cache
- 0.56 GiB
- Reserva
- 1.00 GiB
- Total
- 6.41 GiB (6.88 GB)
- Menor tamanho de memória comum que o comporta
- 8 GiB
Esta é uma estimativa. Ela não inclui os buffers de computação do runtime e supõe que todas as camadas têm o mesmo formato de KV. Meça uma execução real antes de escolher um plano.
Dados do modelo verificados em 2026-10-26.
Fontes: Ollama library · Configuração do modelo (config.json) · Ollama FAQ
Tudo é executado no seu navegador. Nada é enviado.
Configurações que mudam o uso de memória
| Configuração | O que o FAQ diz |
|---|---|
| OLLAMA_CONTEXT_LENGTH | Por padrão, o Ollama usa uma janela de contexto de 4096 tokens. A variável de ambiente a sobrescreve, e num_ctx pode ser definido por sessão ou pela API. |
| OLLAMA_KV_CACHE_TYPE | O tipo de quantização do cache K/V. O padrão é f16. |
| OLLAMA_FLASH_ATTENTION | Defina como 1 ao iniciar o servidor para forçar a ativação do Flash Attention. O FAQ diz que o Ollama o ativa automaticamente quando o backend e os dispositivos o suportam. |
As variáveis de ambiente do servidor vão em um override do systemd. O artigo sobre como instalar o Ollama em uma VPS mostra os passos. Não medimos quanta memória cada configuração economiza no seu servidor, então confira com ollama ps depois de uma mudança.
Fontes
Leia a seguir
- Conectar o Dify ao Ollama no seu próprio VPSExecute o Dify no seu próprio VPS e use o Ollama como modelo: instalação, campos do plugin, o problema do endereço no Docker e embeddings, segundo a documentação oficial.
- Rodar um LLM local sem um PC caro: guia para iniciantes sobre como usar uma VPSSem um PC potente? Alugue uma VPS e rode um pequeno LLM local pelo navegador: seis passos, da estimativa de memória até uma tela de chat protegida, com os limites ditos com honestidade.
- nginx na frente do Ollama: autenticação básica, HTTPS e configurações para streamingAcesse o Ollama de fora com segurança: nginx como proxy, autenticação básica, HTTPS, configurações de streaming e de timeout e uma regra de firewall, a partir da documentação oficial.
- Open WebUI em uma VPS: rode-o no Docker e conecte-o ao OllamaRode o Open WebUI com Docker e conecte-o ao Ollama no seu próprio servidor: os comandos, a primeira conta, os dois tipos de conexão e como atualizar.