Llama 4 Scout no Ollama: configurações, correções para quando não funciona, app para Windows e alternativas
Rodar o Llama 4 Scout no Ollama em um PC com Windows significa baixar cerca de 60 GB ou mais, definir um contexto que decide se o modelo cabe na memória e lidar com alguns erros que se repetem. Aqui estão as configurações, as correções e as alternativas para quando seu hardware disser não.
Você digitou ollama run llama4:scout, esperou um download do tamanho de uma biblioteca de jogos pequena e depois recebeu uma resposta que avança uma palavra a cada poucos segundos, um erro sobre memória ou um modelo que esquece o que você disse duas mensagens atrás. Essa é a primeira experiência normal com este modelo, e quase nada disso significa que algo está quebrado. O Llama 4 Scout é um modelo de 109 bilhões de parâmetros do tipo mixture of experts, e o Ollama precisa espremê-lo na GPU e na RAM que você tiver.
Este artigo mostra as configurações que importam, as correções para as falhas mais comuns, como o app do Ollama para Windows se encaixa nisso e o que usar quando sua máquina simplesmente não aguenta o modelo.
💡 Versão curta: o Scout precisa de muito mais memória do que sugere o rótulo "17B ativos". Defina um tamanho de contexto realista, confirme que o modelo está na sua GPU com ollama ps e, se os números não fecharem, use uma versão hospedada em vez de brigar com o seu hardware.
O que é realmente o Llama 4 Scout
A Meta lançou o Scout como o irmão menor do Maverick na família Llama 4. Os números que as pessoas citam são precisos, mas fáceis de interpretar mal:
Especificação
Llama 4 Scout
Parâmetros totais
Cerca de 109 bilhões
Parâmetros ativos por token
17 bilhões
Especialistas
16
Janela de contexto anunciada
Até 10 milhões de tokens
Tag padrão no Ollama
llama4:scout (quantização Q4_K_M)
Tamanho típico do download
Cerca de 60 a 67 GB, dependendo da fonte
A armadilha é o número "17B ativos". Em um modelo mixture of experts, só uma fatia da rede roda para cada token, o que deixa a geração rápida quando tudo já está carregado. Mas os 109 bilhões de parâmetros ainda precisam ficar guardados em algum lugar da memória. Ou seja, a velocidade de um modelo de 17B vem com a conta de armazenamento de um modelo de 109B.
O contexto de 10 milhões de tokens é uma capacidade da arquitetura, não algo que um PC doméstico consegue usar. A memória ocupada pelo KV cache cresce a cada token de contexto, então uma janela enorme pode esgotar a VRAM mesmo quando os pesos cabem.
Quem deve rodar localmente
O Scout local faz sentido se você tem uma GPU de estação de trabalho ou uma máquina com muita memória unificada ou de sistema, se precisa que seus prompts fiquem no seu próprio disco ou se quer testar fluxos de trabalho offline. Se você tem uma placa de jogos única de 8 GB ou 12 GB, espere descarregamento parcial para a CPU e uma saída lenta.
Choque de realidade sobre o hardware
Guias de terceiros colocam o mínimo prático do modelo quantizado em cerca de 24 GB de VRAM, e a versão completa Q4_K_M pede algo mais próximo de 70 GB de memória combinada para rodar com folga. Trate esses valores como alvos aproximados, não como promessas.
Sua configuração
O que esperar
GPU de 8 a 12 GB, 32 GB de RAM
Maior parte das camadas na CPU, muito lento, pode não carregar
GPU de 24 GB, 64 GB de RAM
Funciona com descarregamento parcial, utilizável para conversas curtas
48 GB ou mais de memória de GPU
Quase tudo ou tudo na GPU, boa velocidade
Máquina com memória unificada de 64 GB ou mais
Funciona bem, a velocidade depende da largura de banda da memória
Você também precisa de espaço em disco. O Ollama guarda os arquivos do modelo na pasta do seu usuário por padrão, e um download de mais de 60 GB em um disco do sistema quase cheio é a causa clássica de um pull que falha.
💡 Teste rápido: libere cerca de 80 GB no disco que guarda a pasta de modelos do Ollama antes de começar. Isso cobre o modelo mais os dados temporários do download.
Instalar e rodar no Windows
O Ollama roda nativamente no Windows 10 e 11. Você baixa o instalador no site do Ollama, executa e o app inicia na bandeja do sistema. Não é preciso configurar o WSL.
Baixar e rodar o modelo
Abra o PowerShell ou o Windows Terminal e execute:
ollama pull llama4:scout
ollama run llama4:scout
O primeiro comando baixa os pesos. O segundo abre um chat interativo. Se você quiser apenas confirmar que a instalação funciona antes de encarar o download grande, baixe primeiro um modelo pequeno e depois volte para o Scout.
Verificar onde o modelo está
Logo depois que o modelo responder, execute:
ollama ps
Olhe a coluna PROCESSOR. "100% GPU" é o que você quer. Uma divisão como "40%/60% CPU/GPU" significa que parte do modelo roda no processador, o que explica a saída lenta. Esse único comando diagnostica mais reclamações do que qualquer outra coisa.
As configurações que importam
Tamanho do contexto
Essa é a configuração que mais gente erra. O Ollama escolhe um tamanho de contexto padrão com base na sua VRAM: com menos de 24 GiB de VRAM, o padrão fica em cerca de 4k tokens, e entre 24 e 48 GiB sobe para cerca de 32k. Uma janela de 4k faz documentos longos serem cortados e o modelo parecer "esquecer" mensagens anteriores.
Há três maneiras de aumentar esse valor:
Controle deslizante no app do Ollama. Abra as configurações do app e mova o controle de tamanho do contexto.
Variável de ambiente. Defina OLLAMA_CONTEXT_LENGTH com um valor como 16384 antes do servidor iniciar.
Por sessão. Dentro de ollama run, digite /set parameter num_ctx 16384.
Cada aumento custa memória. Dobrar a janela praticamente dobra o KV cache, então aumente em etapas e acompanhe ollama ps após cada mudança.
Definir variáveis de ambiente no Windows
Feche o Ollama pela bandeja do sistema.
Abra Configurações, pesquise "variáveis de ambiente" e abra o editor para a sua conta.
Adicione uma nova variável de usuário, por exemplo OLLAMA_CONTEXT_LENGTH com o valor 16384.
Clique em OK e inicie o Ollama novamente pelo menu Iniciar.
Se você definiu a variável e nada muda, o motivo mais comum é que o Ollama ainda estava rodando na bandeja e nunca releu o ambiente.
Configurações que vale conhecer
Configuração
O que faz
Quando mexer
OLLAMA_CONTEXT_LENGTH
Contexto padrão para todos os modelos
Documentos longos, conversas longas
OLLAMA_KEEP_ALIVE
Por quanto tempo o modelo fica carregado
Defina um valor maior para evitar recarregamentos lentos de um modelo enorme
OLLAMA_MODELS
Pasta onde os modelos são armazenados
Mova os arquivos de 60+ GB para um disco maior
OLLAMA_FLASH_ATTENTION
Atenção mais econômica em memória
Experimente quando o contexto ultrapassar o limite da VRAM
OLLAMA_KV_CACHE_TYPE
Comprime o KV cache (por exemplo q8_0)
Encaixe mais contexto na mesma memória
temperature (Modelfile)
Aleatoriedade da saída
Mais baixo para fatos e código, mais alto para escrita
Um Modelfile personalizado permite salvar suas escolhas:
FROM llama4:scout
PARAMETER num_ctx 16384
PARAMETER temperature 0.4
Depois execute ollama create scout-16k -f Modelfile e inicie com ollama run scout-16k.
Não funciona? Correções por sintoma
O download falha ou trava
Verifique o espaço livre no disco onde ficam os modelos. Um pull de mais de 60 GB morre silenciosamente quando o disco enche.
Execute ollama pull llama4:scout de novo. Os pulls são retomados em vez de começar do zero.
Em uma rede corporativa ou escolar, um proxy ou filtro pode interromper downloads grandes. Tente outra conexão.
Confirme que sua versão do Ollama está atualizada. Arquiteturas de modelo mais novas exigem um runtime mais novo, e uma instalação antiga pode não reconhecer a tag.
"Model requires more system memory"
É o Ollama dizendo que os pesos mais o contexto não cabem. Suas opções, da mais fácil para a mais difícil:
Reduza num_ctx para 4096 e tente de novo.
Feche o navegador e outros apps que ocupam RAM e VRAM.
Aumente o arquivo de paginação do Windows para que o excedente tenha espaço, sabendo que será lento.
Adicione RAM ou troque por um modelo menor.
Roda, mas é lentíssimo
Execute ollama ps. Se o modelo estiver dividido entre CPU e GPU, essa é a resposta. A velocidade cai bruscamente quando as camadas transbordam para a RAM do sistema, porque o caminho pela CPU tem largura de banda muito menor que a VRAM. Reduza o tamanho do contexto, ative o flash attention ou aceite que esse hardware é mais bem atendido por um modelo menor.
Ele esquece a conversa
Isso é a janela padrão de 4k de novo. Aumente num_ctx como descrito acima e teste com um prompt longo. Se um documento longo for cortado sem aviso, a janela ainda é pequena demais para ele.
Usa a CPU em vez da GPU
Atualize o driver da placa de vídeo. Drivers antigos são uma causa comum.
Certifique-se de que nenhum outro programa esteja monopolizando a memória da GPU. Jogos, editores de vídeo e abas do navegador com aceleração por hardware ocupam a sua parte.
Reinicie o Ollama pela bandeja para que ele detecte a placa novamente.
Se você tem uma GPU integrada e uma dedicada, verifique se o Windows não está direcionando o processo para a mais fraca.
O app abre, mas nada responde
Feche o Ollama na bandeja, confirme que não sobrou nenhum processo ollama perdido no Gerenciador de Tarefas e inicie de novo. Se outro programa já estiver usando a porta padrão, troque-a com OLLAMA_HOST, por exemplo 127.0.0.1:11500.
💡 Regra prática: quando algo se comportar mal, mude uma configuração por vez e verifique ollama ps após cada mudança. Mudar três coisas de uma vez esconde a causa.
O app do Windows ou o terminal
O app do Ollama para Windows oferece uma janela de chat simples, um seletor de modelos e um painel de configurações com o controle deslizante de contexto, além do servidor em segundo plano com o qual outras ferramentas se comunicam. É a forma mais amigável de usar o Scout se você não gosta de linha de comando.
Recurso
App do Windows
Terminal
Interface de chat
Sim
Texto básico
Controle deslizante de contexto
Sim
Use num_ctx ou a variável de ambiente
Modelfiles personalizados
Não
Sim
Scripts e automação
Limitado
Completo
Diagnóstico (ollama ps, logs)
Limitado
Completo
A maioria das pessoas acaba usando os dois: o app para o chat casual, o terminal para resolver problemas. Seja qual for o que você usar, o servidor em segundo plano também expõe uma API local, então editores e interfaces de chat de terceiros podem se conectar a ele.
💡 Dica: se você definir uma variável de ambiente e o controle deslizante do app mostrar outro valor, o controle deslizante prevalece para os chats iniciados dentro do app. Escolha um único lugar para gerenciar o contexto e mantenha-o.
Quando o local é a escolha errada
Seja honesto sobre a contrapartida. Um modelo grande local oferece privacidade e nenhum custo por mensagem, mas você paga com espaço em disco, eletricidade, tempo de configuração e paciência. Se alguma dessas situações descreve você, pule a rota local:
Você tem menos de 24 GB de VRAM e menos de 64 GB de RAM.
Você quer respostas rápidas para escrita, resumos ou código, e não um projeto de fim de semana.
Você alterna entre dispositivos, incluindo um notebook que não consegue guardar o modelo.
Você não quer manter drivers, runtimes e uma pasta de modelo de 60 GB.
De qualquer forma, o modelo é da mesma família. Hospedá-lo em outro lugar só muda onde vivem os 109 bilhões de parâmetros.
A conta de memória em resumo
Um planejamento aproximado funciona assim: pesos (cerca de 60 a 67 GB na quantização padrão) mais o KV cache (cresce com o contexto) mais a sobrecarga do runtime e do sistema operacional. Se esse total for maior que sua VRAM, o excedente vai para a RAM do sistema, e cada degrau descendo essa escada custa velocidade. Se o total for maior que VRAM mais RAM, o modelo não carrega de jeito nenhum.
Como usar o Llama 4 Scout Instruct no PicassoIA
Se você quer o Scout sem o download, o Llama 4 Scout Instruct está disponível no PicassoIA e roda no navegador. Não há instalador, nem verificação de driver, nem configuração de contexto para ajustar à sua VRAM.
Escreva seu prompt na caixa de entrada. Seja específico sobre formato, tamanho e público.
Ajuste as configurações de geração exibidas na página. Uma temperatura mais baixa (cerca de 0,2 a 0,5) funciona bem para fatos, código e resumos, enquanto uma mais alta (0,7 a 1,0) é melhor para brainstorming e escrita criativa.
Defina um tamanho máximo razoável para a resposta, para não esperar por texto que você não vai usar.
Rode o prompt, leia o resultado e refine. Instruções curtas de acompanhamento, como "mais curto" ou "em formato de tabela", funcionam bem.
Dicas para prompts
Dê ao modelo um papel e um objetivo: "Atue como um editor técnico. Reescreva este parágrafo para um iniciante."
Cole o texto original diretamente e depois peça o formato de saída que você quer.
Para tarefas longas, divida o trabalho em etapas: primeiro o esboço, depois o rascunho, por último o acabamento.
💡 Uso prático: rode o mesmo prompt no Scout hospedado e na sua configuração local do Ollama. Se as respostas tiverem qualidade parecida, você sabe que suas configurações locais estão corretas.
Alternativas que valem a pena testar
Se o Scout for pesado demais ou não for o encaixe certo, estes modelos no PicassoIA cobrem a maior parte das mesmas tarefas:
Para uso local, modelos menores no Ollama são a rota realista em hardware modesto. Qualquer coisa na faixa de 7B a 14B carrega rápido em uma GPU intermediária, atende ao chat do dia a dia e evita todos os problemas de memória descritos acima. A contrapartida é menor qualidade em tarefas longas e complexas.
Qual escolher
Privacidade é o mais importante: rode um modelo menor localmente no Ollama.
Qualidade é o mais importante e seu hardware é modesto: use um modelo hospedado.
Você precisa de raciocínio: teste o Deepseek R1.
Você trabalha com imagens e texto juntos: teste o Qwen3.7-Plus.
Checklist de correção rápida
Antes de desistir de uma configuração local do Scout, passe por esta lista:
Libere pelo menos 80 GB de espaço em disco.
Atualize o Ollama e o driver da placa de vídeo.
Feche o Ollama pela bandeja e inicie de novo.
Execute ollama ps e leia a coluna PROCESSOR.
Reduza num_ctx para 4096 e depois aumente em etapas.
Feche os apps que usam VRAM.
Teste OLLAMA_FLASH_ATTENTION e um KV cache comprimido.
Compare com um modelo menor para confirmar que a própria instalação está saudável.
Experimente sem configurar nada
Se você preferir gastar seu tempo escrevendo, programando e testando ideias em vez de ajustar tamanhos de contexto, abra o Llama 4 Scout Instruct no PicassoIA e rode seu primeiro prompt em um minuto. Compare com o Deepseek V3.1 e o Llama 4 Maverick Instruct na mesma tarefa e fique com o que der as melhores respostas. Quando quiser ir além do texto, o PicassoIA também oferece modelos de geração de imagens, vídeo, fala e música, e você pode conferir todos em picassoia.com/en/all-models.