Você digita uma pergunta perfeitamente razoável em um chatbot na nuvem e recebe um sermão educado no lugar de uma resposta. Talvez estivesse escrevendo a cena de um crime violento, testando a própria rede ou fazendo uma pergunta médica direta. Isso acontece com todo mundo, e é o principal motivo pelo qual a IA local sem restrições explodiu: você baixa os pesos abertos, roda no seu próprio computador e decide as regras.
O problema é que "gratuita e sem censura" soa mais simples do que é. Qual modelo? Qual app? Seu PC vai conseguir carregá-lo? Este artigo responde às três perguntas com números reais, contrapartidas honestas e uma configuração que você pode concluir em cerca de vinte minutos.
💡 Resposta rápida: um modelo de 8B na forma de 4 bits precisa de cerca de 5 a 6 GB de VRAM, roda na maioria dos notebooks gamers dos últimos anos e é o melhor primeiro download para quase todo mundo.
O que "sem censura" realmente significa
A expressão é usada de forma solta, então vamos defini-la. Um modelo local sem censura é um modelo de linguagem de pesos abertos cujo comportamento de recusa foi reduzido ou removido, seja por um fine-tuning adicional, seja editando as direções internas que disparam a recusa. Ele responde a mais perguntas sem rodeios, sem sermões e sem encerrar a conversa.
Isso não significa que o modelo seja mais inteligente, mais verdadeiro ou livre de viés. Significa menos respostas do tipo "não posso ajudar com isso".

Por que as pessoas usam modelos locais
Os motivos são mais comuns do que a reputação sugere:
- Escritores de ficção que precisam de vilões, violência ou temas sombrios tratados sem avisos constantes.
- Entusiastas de segurança que querem discutir os próprios laboratórios e desafios de CTF.
- Usuários preocupados com privacidade que não querem documentos pessoais, perguntas de saúde ou rascunhos enviados para o servidor de uma empresa.
- Curiosos que simplesmente gostam de controlar tudo, dos pesos ao prompt.
- Viajantes e profissionais remotos que precisam de um chatbot que funcione sem conexão com a internet.
A privacidade é o argumento mais forte. Quando o modelo roda no seu próprio hardware, seus prompts nunca saem da máquina. Não há conta, nenhum histórico de conversas armazenado por um fornecedor e nenhum limite de uso.
O que continua fora de questão
Rodar um modelo localmente não muda a lei do lugar onde você vive. Conteúdo cuja criação ou posse é ilegal continua sendo ilegal, seja qual for o software que o produziu. Um modelo sem filtros também não tem freios embutidos contra bobagens ditas com segurança, então respostas médicas, jurídicas e financeiras ainda precisam ser conferidas com um profissional humano.
Modelos gratuitos que valem o download
Os modelos de pesos abertos são distribuídos como arquivos, geralmente no formato compacto GGUF, que apps como Ollama e LM Studio carregam diretamente. Os nomes mudam rápido, e novos fine-tunes da comunidade surgem toda semana, então trate a lista abaixo como um mapa de famílias, e não como um ranking fixo.

Fine-tunes Dolphin e Hermes
Dolphin, criado por Eric Hartford, é provavelmente a família de fine-tunes de baixa recusa mais conhecida. Foi construído sobre bases Llama, Mistral e Qwen, e as contagens de download da comunidade o mantêm perto do topo da categoria sem censura. Os modelos Nous Hermes seguem uma abordagem parecida: seguem bem as instruções, têm um tom neutro e recusam muito menos do que as versões oficiais de chat.
Use-os quando quiser um assistente de uso geral que raramente diz não.
Modelos abliterated explicados
Os modelos "abliterated" usam um truque diferente. Em vez de treinar de novo com dados novos, quem publica o modelo identifica a direção interna ligada às recusas e a remove. O resultado mantém a maior parte da habilidade do modelo original e elimina o reflexo de recusar.
Contrapartidas que você deve esperar:
- Precisão um pouco menor em alguns benchmarks em relação à versão original.
- Respostas ocasionalmente estranhas ou divagantes, porque a edição é brusca.
- Entrega muito rápida: novos modelos base costumam ganhar uma versão abliterated em poucos dias.
Lexi, uma versão sem censura do Llama 3.1 8B Instruct, é um exemplo popular para notebooks, com arquivos GGUF que carregam facilmente no LM Studio.
Modelos hospedados para comparação
Antes de passar uma noite baixando 20 GB, ajuda saber como é uma família de modelos na prática. A PicassoIA hospeda vários modelos de pesos abertos que você pode testar no navegador, sem instalar nada:
⚠️ Os modelos hospedados mantêm o comportamento de segurança de quem os publicou. Servem para experimentar o estilo de escrita, a velocidade e o raciocínio, não como substituto de um fine-tune local e sem filtros.
Aqui está uma comparação rápida das famílias entre as quais as pessoas costumam escolher:
| Família | Tamanho típico | Ponto forte | Nível de recusa (padrão) |
|---|
| Fine-tunes de Llama 3.x / 4 | 8B a 70B | Melhor em tudo, comunidade enorme | Médio |
| Fine-tunes de Mistral | 7B a 24B | Rápidos, leves, bons para roleplay | Baixo a médio |
| Fine-tunes de Qwen | 7B a 32B | Fortes em código e multilíngue | Médio |
| Dolphin e Hermes | 7B a 70B | Seguem instruções, tom neutro | Muito baixo |
| Versões abliterated | Qualquer | Habilidade original, poucas recusas | Muito baixo |
Apps que executam os modelos
O modelo é só metade da configuração. Você também precisa de um runner, que carrega o arquivo, gerencia sua GPU e oferece uma janela de chat. Quase todos dependem por baixo do motor de código aberto llama.cpp, então o desempenho é parecido e a escolha depende do gosto.

Ollama para quem gosta de terminal
O Ollama se instala em um passo no Windows, macOS e Linux. Você digita um único comando, ele baixa o modelo e leva você a um chat. Também expõe uma API local, o que permite que outros apps conversem com ele. Se você gosta de ferramentas simples que não atrapalham, comece por aqui.
LM Studio para quem prefere clicar
O LM Studio é a opção mais amigável para iniciantes. Tem um navegador de modelos embutido, mostra quanta memória cada arquivo precisa antes do download e permite arrastar um controle deslizante para decidir quantas camadas vão para a GPU. Histórico de conversas, prompts de sistema e predefinições ficam todos em uma única janela.
Jan, GPT4All e KoboldCpp
- Jan: um app de desktop de código aberto com uma interface de chat limpa e um modo de servidor local.
- GPT4All: muito leve, bom para notebooks antigos e uso offline.
- KoboldCpp: um executável único, sem instalação, popular entre escritores de ficção e roleplay graças aos recursos voltados para histórias.
- Open WebUI: uma interface web que roda sobre o Ollama e acrescenta contas de múltiplos usuários, envio de documentos e um layout de chat mais familiar.
| App | Dificuldade | Melhor para | Funciona offline |
|---|
| Ollama | Fácil | Desenvolvedores, testes rápidos | Sim |
| LM Studio | Muito fácil | Iniciantes | Sim |
| Jan | Fácil | Chat de desktop limpo | Sim |
| GPT4All | Muito fácil | PCs antigos ou mais fracos | Sim |
| KoboldCpp | Médio | Histórias longas, roleplay | Sim |
Requisitos de PC por tamanho de modelo
É aqui que a maioria das pessoas trava, então vamos à versão simples. O tamanho do arquivo de um modelo depende do número de parâmetros (o "B" em 8B) e de quanto ele é quantizado, ou seja, comprimido. A escolha mais comum, Q4, usa cerca de meio gigabyte por bilhão de parâmetros, mais memória extra para a própria conversa.

Regra prática de VRAM
Pegue a contagem de parâmetros, multiplique por cerca de 0,6 e some de 1 a 2 GB de folga para o contexto. Isso dá a VRAM que você quer se o modelo inteiro deve ficar na placa de vídeo. As fontes variam um pouco, mas estes valores são uma faixa segura para planejamento:
| Tamanho do modelo | Tamanho do arquivo Q4 | VRAM necessária | RAM do sistema | Exemplo de hardware |
|---|
| 3B | cerca de 2 GB | 4 GB | 8 GB | Notebook fino, GPU antiga |
| 7B a 8B | 4,5 a 5 GB | 6 a 8 GB | 16 GB | RTX 3060, RTX 4060 de notebook |
| 13B a 14B | 8 a 9 GB | 10 a 12 GB | 16 a 32 GB | RTX 3060 de 12 GB, RTX 4070 |
| 24B a 32B | 15 a 20 GB | 20 a 24 GB | 32 GB | RTX 3090, RTX 4090 |
| 70B | cerca de 40 GB | 40 GB ou mais | 64 GB | Duas GPUs ou um Mac potente |
💡 Se um modelo não couber na VRAM, os apps podem dividi-lo: algumas camadas na GPU e o resto na RAM do sistema. Funciona, mas espere uma queda forte de velocidade.

GPU, somente CPU e Apple Silicon
- GPUs NVIDIA são o caminho mais fácil, graças ao amplo suporte a drivers e CUDA. A VRAM importa mais que a velocidade bruta: uma placa de 12 GB normalmente supera uma placa mais rápida de 8 GB nesta tarefa.
- GPUs AMD funcionam na maioria dos apps, embora a configuração possa exigir um passo extra em alguns sistemas.
- Somente CPU é possível com modelos pequenos. Espere algumas palavras por segundo em um modelo de 7B, o que serve para uso paciente e é doloroso para respostas longas.
- Macs com Apple Silicon compartilham memória entre CPU e GPU, então um Mac com 32 GB de memória unificada pode carregar modelos que, em um PC, precisariam de uma placa de vídeo de 24 GB.
Você também precisa de espaço em disco. Mantenha 50 GB livres se pretende testar vários modelos, e um SSD torna o carregamento bem mais rápido que um HD.

Velocidade que você pode esperar
De forma aproximada, um modelo de 7B ou 8B em uma placa intermediária entrega 30 a 60 tokens por segundo, mais rápido do que a maioria das pessoas lê. Um modelo de 32B em uma placa de 24 GB fica mais perto de 15 a 30. Um modelo de 70B dividido entre GPU e RAM pode rastejar a 1 a 3 tokens por segundo.
Aqui está o caminho mais curto do zero até um chatbot local funcionando, usando o LM Studio como exemplo. O Ollama segue a mesma lógica.

Passo a passo
- Atualize os drivers da placa de vídeo. Drivers desatualizados são a causa número um de erros do tipo "o modelo não carrega".
- Instale o app. Baixe o LM Studio ou o Ollama no site oficial e execute o instalador.
- Escolha um tamanho. Confira sua VRAM no Gerenciador de Tarefas (aba Desempenho, GPU) e use a tabela acima para escolher um modelo que caiba.
- Procure um modelo. Digite o nome de uma família, como Dolphin, Hermes ou Lexi, e escolha um arquivo Q4_K_M. Esse quant é o equilíbrio habitual entre tamanho e qualidade.
- Carregue o modelo. Defina o offload para GPU no máximo. Se aparecer um erro de falta de memória, reduza o número de camadas.
- Escreva um prompt de sistema. Diga ao modelo quem ele é e qual tom você quer. Modelos de baixa recusa respondem bem a um papel claro.
- Converse. Comece com algo curto para checar a velocidade e depois teste os temas que realmente importam para você.
Configurações que importam
- Tamanho do contexto: 4096 é mais que suficiente para chat. Valores maiores consomem VRAM rapidamente.
- Temperatura: 0,7 para respostas equilibradas, 0,9 ou mais para escrita criativa, 0,2 para tarefas factuais.
- Penalidade de repetição: em torno de 1,1 reduz loops.
- Prompt de sistema: mantenha-o com menos de 150 palavras.
Erros comuns
- Baixar um modelo de 70B em uma placa de 12 GB e estranhar que ele leve minutos por frase.
- Escolher um arquivo Q2 ou Q3 para economizar espaço. A qualidade cai bastante abaixo do Q4.
- Pular a atualização de drivers.
- Confiar em arquivos aleatórios de publicadores desconhecidos. Fique com editores conhecidos e confira as contagens de download.
- Esperar que o rótulo "sem censura" conserte um modelo fraco. Um modelo de 7B ruim sem filtros continua sendo um modelo de 7B ruim.

Remover filtros transfere a responsabilidade do fornecedor para você. Alguns hábitos mantêm a experiência útil, em vez de arriscada.

Proteja sua máquina
Os arquivos de modelo são, em sua maioria, seguros no formato GGUF, mas os apps e scripts ao redor nem sempre são confiáveis. Baixe programas somente da página oficial do projeto, evite instaladores "crackeados" e tenha cuidado com scripts Python aleatórios que pedem para você executar comandos.
Proteja suas conclusões
Um modelo sem recusas vai produzir erros com confiança e sem hesitar. Quando a resposta afetar sua saúde, seu dinheiro ou sua situação jurídica, trate-a como um rascunho a ser checado, e não como um veredito.
Mantenha as coisas offline
Se privacidade é seu objetivo, bloqueie o app de acessar a internet depois que o modelo for baixado, ou use um runner com modo totalmente offline. Verifique se as ferramentas extras que você conecta, como plugins de busca na web, são realmente algo que você quer que envie dados para fora.
Teste modelos hospedados antes de baixar
Não sabe se um modelo de 8B é bom o bastante? Passe dez minutos na PicassoIA primeiro. Você pode comparar uma resposta da família Llama com uma da família Mistral, ver como um modelo de raciocínio lida com uma pergunta difícil e descobrir a qualidade que pode esperar antes de gastar espaço em disco e uma noite com um download.
Para o trabalho mais pesado, opções hospedadas maiores, como Qwen3.7-Plus e Kimi K2.6, estão disponíveis quando o seu PC não consegue carregar um modelo desse tamanho. Lembre-se de que elas seguem as regras de segurança de seus publicadores, então servem para rascunhos, código e pesquisa, e não para roleplay sem filtros.
Crie imagens também, não só texto
Um chatbot local é um ótimo parceiro de escrita, e combina bem com a geração de imagens. Quando sua história, descrição de personagem ou cena estiver pronta, você pode transformar essas palavras em visuais fotorrealistas sem sair do navegador.
A PicassoIA reúne em um só lugar modelos de texto para imagem, edição de imagens, upscaling, geração de vídeo, texto para fala e muito mais, então um roteiro escrito no seu chat local pode virar uma imagem de capa, um clipe narrado ou um conjunto de ilustrações em minutos. Veja tudo em picassoia.com/en/all-models, escolha um modelo, cole um prompt do seu último chat e veja o que aparece.
Comece pequeno: baixe um modelo de 8B esta noite, escreva uma cena curta e depois leve-a para a PicassoIA e transforme-a em imagem. Esse ciclo único já mostra até onde pode ir uma configuração gratuita e privada.