~/ / Artigos sobre IA / LLMs locais em uma VPS / O que um modelo local sabe fazer? Tools, thinking, vision e embeddings no Ollama, e o que cabe em uma VPS

O que um modelo local sabe fazer? Tools, thinking, vision e embeddings no Ollama, e o que cabe em uma VPS

Um modelo local é mais do que uma caixa de chat. A biblioteca do Ollama marca os modelos com o que eles sabem fazer, e a documentação descreve cada uma dessas capacidades: chamar ferramentas, mostrar o raciocínio, ler imagens e transformar texto em vetores para busca. Este artigo explica o que cada rótulo significa, lista dez modelos com seus rótulos e tamanhos de download e mostra como combinar o que você quer fazer com a memória do seu servidor.

Publicado: 2026-10-26 · 5 min de leitura · Rótulos, tamanhos e janelas de contexto conferidos na biblioteca e na documentação do Ollama em 2026-10-26. A biblioteca muda com frequência, então confira a página da tag que você pretende usar.

Os quatro rótulos

A biblioteca do Ollama marca cada modelo com as capacidades que ele suporta. Quatro delas importam para o que você constrói em um servidor. A documentação as descreve da seguinte forma.

Rótulo	O que diz a documentação	Como usar
tools	A chamada de ferramentas (tool calling), também chamada de chamada de funções (function calling), permite que um modelo invoque ferramentas e incorpore os resultados delas em suas respostas. Ela suporta uma única chamada de ferramenta, chamadas de ferramenta em paralelo e um ciclo de agente com vários turnos.	Você lista as ferramentas disponíveis no campo tools de uma requisição para /api/chat. Quando o modelo chama uma ferramenta, você a executa e envia a saída de volta como uma mensagem com o papel tool.
thinking	Modelos com capacidade de thinking exibem o raciocínio separado da resposta final, de modo que você pode auditar os passos do modelo ou ocultar o rastro.	Você define o parâmetro think em uma requisição. O raciocínio volta em message.thinking e a resposta em message.content.
vision	Modelos de vision aceitam imagens junto com texto, de modo que o modelo pode descrever, classificar e responder perguntas sobre o que vê.	Você passa um array images na mensagem. A API REST espera dados de imagem codificados em base64.
embedding	Embeddings são vetores numéricos que você pode armazenar em um banco de dados vetorial, pesquisar com similaridade de cosseno ou usar em pipelines de RAG.	Você chama /api/embed. A documentação recomenda a similaridade de cosseno para a maioria das buscas semânticas, e o mesmo modelo de embedding para indexar e para consultar.

Dez modelos e seus rótulos

Esta tabela lista os rótulos que a biblioteca do Ollama mostra para cada família de modelos, junto com uma tag, o tamanho exibido na linha dessa tag na lista de tags e sua janela de contexto. O tamanho é o de download, portanto é a memória mínima de que o modelo precisa, não o valor para planejar.

Tag	Labels	Download size	Context window	O que a biblioteca diz que ele é
qwen3:4b	tools, thinking	2.5 GB	256K	O Qwen3 é a geração mais recente de grandes modelos de linguagem da série Qwen
llama3.2:3b	tools	2.0 GB	128K	O Llama 3.2 da Meta aposta no pequeno, com modelos de 1B e 3B
gemma3:4b	vision	3.4 GB	128K	O modelo mais capaz que roda em uma única GPU
qwen3-vl:4b	vision, tools, thinking	3.3 GB	256K	O modelo de visão e linguagem mais poderoso da família Qwen até hoje
deepseek-r1:7b	tools, thinking	4.7 GB	128K	Uma família de modelos de raciocínio abertos
qwen2.5-coder:7b	tools	4.7 GB	32K	A série mais recente de modelos Qwen específicos para código
mistral:7b	tools	4.4 GB	32K	O modelo de 7B lançado pela Mistral AI, atualizado para a versão 0.3
gpt-oss:20b	tools, thinking	14 GB	128K	Modelos de pesos abertos da OpenAI para raciocínio e tarefas de agentes
nomic-embed-text	embedding	274 MB	2K	Um modelo de embedding aberto com uma grande janela de contexto de tokens
embeddinggemma	embedding	622 MB	2K	Um modelo de embedding de 300M de parâmetros do Google

Os rótulos pertencem à família do modelo, e uma família tem vários tamanhos. Abra a página da tag exata que você pretende usar para ver seus tipos de entrada e seu tamanho antes de baixá-la.

Combinar uma capacidade com uma tarefa

A documentação nomeia os usos de cada capacidade, e esta é a nossa leitura do que eles significam para um servidor que você mesmo administra, não uma afirmação sobre qualidade:

Tools: um assistente que pode consultar algo ou disparar uma ação no seu próprio sistema, porque o modelo pede uma ferramenta e o seu código a executa. A definição de ferramenta que você envia precisa seguir o formato da API, o que o Tool Definition Checker pode verificar.
Thinking: respostas em que você quer ver ou registrar o raciocínio do modelo separadamente, por exemplo enquanto testa um prompt. O raciocínio chega antes da resposta, então uma resposta consome mais tokens.
Vision: descrever ou classificar uma imagem, ou responder a uma pergunta sobre ela, com um modelo que aceita imagens junto com texto.
Embedding: busca por significado e recuperação para RAG. Os dois modelos de embedding da tabela são downloads pequenos, de 274 MB e 622 MB, muito menos do que um modelo de chat.

O que cabe em uma VPS

A memória decide o que você pode executar. Os tamanhos de download acima são um piso, e o comprimento do contexto soma um cache KV por cima. Para os modelos Qwen3 e Mistral 7B, a calculadora abaixo usa os valores oficiais de configuração, de modo que você vê o total para o seu comprimento de contexto e para o plano que está considerando.

Para os demais modelos da tabela, a calculadora não tem predefinição, porque precisa do número de camadas, de KV heads e da dimensão da cabeça (head dimension) do arquivo de configuração de cada modelo. Você pode digitá-los como um modelo personalizado.

Experimente: Local LLM Memory Estimator

Modelo

Tag do Ollama qwen3:8b, quantização Q4_K_M, tamanho de download 5.2 GB.

Tamanho do arquivo (GB)CamadasKV headsDimensão da cabeça

Tamanho do contexto (tokens)Requisições paralelasTipo de KV cacheReserva para o SO e outros serviços (GiB)Memória do plano (GiB, opcional)

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.

Como escolher

Comece pela capacidade de que você precisa, depois escolha o menor modelo que tenha o rótulo correspondente e meça memória e velocidade em um servidor de teste antes de se comprometer com um plano.
Confira a janela de contexto da tabela em relação ao seu uso: os dois modelos de embedding indicam 2K, e mistral:7b e qwen2.5-coder:7b indicam 32K.
Várias capacidades podem estar em um mesmo modelo. O Qwen3 tem tools e thinking, e o Qwen3-VL acrescenta vision.
A biblioteca lista novos modelos com frequência. Trate esta tabela como um retrato da data indicada acima.