Uma das maiores forças do Gemma 4 é sua variedade de tamanhos de modelo — do ultra-compacto E2B que roda em um smartphone ao carro-chefe 31B que requer uma GPU de alta performance. Este guia detalha os requisitos exatos de hardware para cada variante para que você possa escolher o modelo certo para sua configuração.
As necessidades de hardware dependem de três fatores: variante do modelo, nível de quantização e comprimento do contexto. Quantização mais baixa e contexto mais curto reduzem os requisitos significativamente, tornando o Gemma 4 acessível em uma ampla gama de hardware.
| Modelo | Parâmetros | VRAM (FP16) | VRAM (INT8) | VRAM (INT4) | Espaço em Disco |
|---|---|---|---|---|---|
| E2B | 2B | 4 GB | 2.5 GB | 1.5 GB | ~1.5–4 GB |
| E4B | 4B | 8 GB | 5 GB | 3 GB | ~3–8 GB |
| 26B MoE | 26B | 52 GB | 28 GB | 16 GB | ~15–52 GB |
| 31B Dense | 31B | 62 GB | 33 GB | 18 GB | ~18–62 GB |
1,5–4 GB
4 GB de RAM do sistema no mínimo
~1,5 GB (quantizado) / ~4 GB (FP16)
Nenhuma GPU dedicada necessária. Roda em CPU, NPU móvel ou GPU integrada.
Devices: Smartphones (iOS/Android), Raspberry Pi 5, tablets, aparelhos edge
O modelo E2B é projetado especificamente para ambientes com recursos limitados. Roda eficientemente em NPUs móveis e até mesmo em configurações apenas com CPU. Ideal para inferência no dispositivo onde privacidade e latência são prioridades.
3–8 GB
8 GB de RAM do sistema no mínimo
~3 GB (quantizado) / ~8 GB (FP16)
Qualquer GPU com 4GB+ de VRAM, ou apenas CPU com RAM suficiente
Devices: Laptops, desktops, Mac com Apple Silicon (M1+), instâncias de nuvem de baixo custo
O ponto ideal para a maioria do uso pessoal. Roda bem em um MacBook Air M1 com 8GB de memória unificada. No Windows/Linux, uma RTX 3060 (12GB) o lida facilmente. A inferência em CPU é viável, mas mais lenta.
16–52 GB
32 GB de RAM do sistema recomendados
~15 GB (quantizado) / ~52 GB (FP16)
RTX 4090 (24GB), RTX A5000, A100 (40/80GB) ou Apple M2 Ultra+
Devices: Desktops de alta performance, workstations, instâncias de GPU em nuvem (A100, L4, H100)
Apesar de ter 26B de parâmetros totais, a arquitetura MoE ativa apenas 4B de parâmetros por inferência. A quantização INT4 reduz o uso de VRAM para ~16GB, tornando-o acessível em uma RTX 4090. Para FP16, você precisará de 48GB+ de VRAM ou configurações multi-GPU.
18–62 GB
64 GB de RAM do sistema recomendados
~18 GB (quantizado) / ~62 GB (FP16)
RTX 4090 (24GB para INT4), A100 (40/80GB), H100 ou Apple M2 Ultra+
Devices: Workstations, servidores, instâncias de GPU em nuvem, configurações multi-GPU
O modelo carro-chefe requer hardware sério para precisão total, mas é acessível com quantização INT4 em uma única RTX 4090. Para serviço em produção em escala, GPUs A100 ou H100 são recomendadas. Macs com Apple Silicon e 64GB+ de memória unificada podem executá-lo via MLX.
Qual GPU você deve comprar para o Gemma 4?
Nível de entrada para o Gemma 4. Lida confortavelmente com E4B em INT4.
Pode rodar o modelo 26B MoE com quantização INT4.
O ponto ideal. Roda todos os modelos em INT4, e 26B em INT8.
GPU profissional/de nuvem. FP16 total para todos os modelos na variante de 80GB.
Memória unificada. Ótima com o framework MLX.
Memória unificada massiva lida até mesmo com 31B em FP16.
Janelas de contexto mais longas requerem memória adicional além dos pesos do modelo. O cache KV cresce linearmente com o comprimento do contexto:
| Context | E4B | 26B MoE | 31B Dense |
|---|---|---|---|
| 8K | +0.2 GB | +0.5 GB | +0.6 GB |
| 32K | +0.8 GB | +2.0 GB | +2.4 GB |
| 128K | +3.2 GB | +8.0 GB | +9.6 GB |
| 256K | N/A | +16 GB | +19.2 GB |
Estes são requisitos aproximados de VRAM adicional além do modelo base. O uso real depende do tamanho do batch e da implementação.
Sim. Todas as variantes do Gemma 4 suportam inferência em CPU via Ollama ou llama.cpp. E2B e E4B rodam em velocidades razoáveis em CPUs modernas. Modelos maiores serão lentos, mas funcionais. Certifique-se de ter RAM do sistema suficiente — aproximadamente 2x o tamanho do arquivo do modelo.
Com quantização INT4: E2B precisa de ~1,5GB, E4B ~3GB, 26B MoE ~16GB, 31B Dense ~18GB. Em FP16 (precisão total): E2B ~4GB, E4B ~8GB, 26B ~52GB, 31B ~62GB. A maioria dos usuários deve usar quantização INT4 ou INT8.
Sim, com quantização INT4 (~18GB de VRAM). Os 24GB da RTX 4090 são suficientes para isso. Para precisão maior, você precisará de mais VRAM — considere uma A100 80GB ou configurações multi-GPU.
Macs com Apple Silicon e memória unificada são excelentes para o Gemma 4. Um M1/M2 com 16GB roda E4B bem. O M3 Max (36-48GB) lida com o 26B MoE. O M2/M3 Ultra (64GB+) pode rodar o modelo 31B. Use MLX ou Ollama para melhor desempenho.
A quantização INT8 normalmente preserva 98-99% da qualidade. INT4 preserva 93-95%. Para a maioria dos casos de uso práticos, INT4 é perfeitamente aceitável. Apenas tarefas de pesquisa ou avaliação que exigem reprodutibilidade exata se beneficiam do FP16.
Sim. vLLM, llama.cpp e outros frameworks suportam paralelismo de tensores entre várias GPUs. Isso permite rodar o modelo 31B com precisão maior dividindo-o entre 2x RTX 4090s (48GB total) ou configurações similares.
Agora que você conhece os requisitos, configure o Gemma 4 em seu hardware.