llama.cpp

O llama.cpp é o engine de C++ que quase todas as outras ferramentas locais embrulham. Sem Python, sem dependências além de um compilador (ou um binário de release). `llama-server -hf ggml-org/gpt-oss-120b-GGUF` fala OpenAI na porta 8080.

Baixar Documentação oficial ↗

O contexto se fixa no lançamento com -c. CPU, Metal, CUDA, ROCm. Use quando quiser o metal — ou quando o Ollama e o LM Studio parecerem app demais em volta do modelo.

Contexto máximo: Set with -c at launch
Nível gratuito: Ilimitado e privado
Requisito: Nada — sem conta

Endpoint

URL basehttp://localhost:8080/v1

Limite de taxaNone — it is your machine

Compatível com OpenAI
texto

Exemplos de código

npm install openai

import OpenAI from 'openai'

const client = new OpenAI({
  baseURL: 'http://localhost:8080/v1',
  apiKey: 'not-needed'
})

const response = await client.chat.completions.create({
  model: 'gpt-oss-120b',
  messages: [{ role: 'user', content: 'Explain closures in one paragraph.' }]
})

console.log(response.choices[0].message.content)

pip install openai

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed",
)

response = client.chat.completions.create(
    model="gpt-oss-120b",
    messages=[{"role": "user", "content": "Explain closures in one paragraph."}],
)

print(response.choices[0].message.content)

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-oss-120b",
    "messages": [{"role": "user", "content": "Explain closures in one paragraph."}]
  }'

Vale saber

Suba o servidor primeiro: `llama-server -hf ggml-org/gpt-oss-120b-GGUF`.

Modelos que você obtém de graça2

Llama 3.3 70Bllama-3.3-70b
Qwen 3qwen3