O que é llamafile?
O llamafile transforma um modelo aberto em um único arquivo que você pode baixar e rodar. Ele combina o llama.cpp com a Cosmopolitan Libc, então o mesmo arquivo roda em macOS, Windows, Linux, FreeBSD, OpenBSD e NetBSD, em CPUs x86-64 e ARM64.
Ele começou como um projeto do Mozilla Builders e é mantido pela Mozilla.ai. Depois de um intervalo entre a 0.9.3, em maio de 2025, e a 0.10.0, em março de 2026, a série 0.10 passou a um novo sistema de build que acompanha de perto o llama.cpp original; a documentação diz que isso traz suporte a modelos mais novos, mas pode não ter alguns recursos da 0.9 e não foi testado em todas as GPUs e plataformas.
Ele também inclui o whisperfile, uma ferramenta de fala para texto em arquivo único baseada no whisper.cpp. O projeto é Apache 2.0; suas mudanças no llama.cpp e no whisper.cpp são MIT.
llamafile vale a pena?
O llamafile resolve a distribuição, não a inferência. Um único executável contém o motor e, opcionalmente, os pesos; no macOS e no Linux você o marca como executável e o roda, no Windows você o renomeia para .exe. Ele tem cerca de 26.500 estrelas no GitHub e lançou sete versões 0.10 desde março de 2026, a mais recente em 15 de setembro.
A portabilidade tem limites. O Windows não roda um executável acima de 4 GB, então qualquer coisa além de um pequeno modelo quantizado exige o binário puro mais um arquivo GGUF separado, ou o WSL. CPUs x86-64 precisam ter AVX. O suporte a GPU cobre Metal, CUDA, ROCm e Vulkan, mas a documentação chama os caminhos de AMD e Windows de melhor esforço, e, se um backend não carrega, o llamafile recorre em silêncio à CPU, a menos que você force um com --gpu.
O design de segurança é mais cuidadoso que o da maioria dos executores locais. No modo --server, ele aplica um sandbox pledge no Linux e no OpenBSD que bloqueia conexões de saída e gravação de arquivos, e --confine-reads oculta tudo fora do diretório do modelo. A documentação é franca sobre as lacunas: não há sandbox nenhum com uma GPU ativada, nenhum no macOS ou no Windows e nenhum no modo combinado padrão. O servidor escuta em 127.0.0.1:8080 por padrão, e --host 0.0.0.0 o abre para a rede sem chave de API, a menos que você defina --api-key.
Para o trabalho diário, o próprio llama.cpp recebe novos modelos e flags primeiro, e o Ollama gerencia modelos melhor. O nicho do llamafile é a entrega: um pendrive de workshop, um notebook offline em campo, uma demonstração para um colega que nunca vai instalar Python. Nesse nicho, o teto de 4 GB do Windows é a restrição que mais importa.
Onde ele se destaca
Um engenheiro de developer relations conduzindo um workshop com 40 lugares
Fazer todos os participantes conversarem com um modelo local em cinco minutos, seja qual for o notebook que trouxerem
Distribuir um llamafile pequeno e pré-montado, como o Qwen3.5 0.8B, abaixo de 4 GB, para que rode também no Windows. Sem Python, sem gerenciador de pacotes; o custo é escolher um modelo pequeno o bastante para o notebook mais fraco.
Uma pesquisadora de campo trabalhando sem internet
Transcrever entrevistas e resumir notas em um notebook offline
Levar um whisperfile e um llamafile no disco e rodar os dois na CPU. Nada sai da máquina; espere saída lenta em CPUs mais antigas, e AVX é obrigatório em x86-64.
Um líder de TI em uma empresa de 50 pessoas testando IA local sob uma política sem nuvem
Dar à equipe um endpoint de chat interno sem enviar dados a um fornecedor
Rodar --server em uma máquina Linux com --confine-reads, manter os pesos em um diretório próprio e colocar um proxy reverso na frente da porta 8080. O sandbox só vale no modo CPU, então um servidor com GPU precisa de isolamento próprio.
Antes de decidir
- Configuração
- Baixe um .llamafile, rode chmod +x e execute-o (renomeie para .exe no Windows); ou baixe o binário puro e aponte -m para qualquer GGUF. O modelo de exemplo de 0.8B responde em minutos na CPU de um notebook.
- Integrações
- Servidor e interface web do llama.cpp com um endpoint compatível com OpenAI na porta 8080; modos de terminal --cli e --chat; ferramentas embutidas opcionais e um proxy MCP; whisperfile para transcrição.
- Dados e privacidade
- Roda localmente; a documentação não menciona telemetria, e uma busca de código no GitHub não encontra código de telemetria. O modo servidor no Linux bloqueia conexões de saída e gravações, mas o modo GPU, o macOS, o Windows e o modo combinado padrão rodam sem sandbox, e um llamafile de fonte não confiável pode remover o sandbox.
- Custo em escala
- Gratuito, sem edição paga da Mozilla.ai. O hardware é o que rodar o modelo: uma CPU x86-64 com AVX ou ARMv8 com RAM suficiente para os pesos, opcionalmente uma GPU Metal, CUDA, ROCm ou Vulkan.
- Limites
- 216 issues e pull requests abertos; limite de 4 GB para executáveis no Windows; o CUDA incluído não tem kernels para quantizações IQ; várias GPUs podem falhar em AMD; exemplos da 0.9 não testados na 0.10.
O que é bom
- Um arquivo, sem instalação
- Roda em seis sistemas operacionais, x86-64 e ARM64
- O sandbox do servidor bloqueia a rede de saída no Linux
- Inclui fala para texto via whisperfile
O que não é
- Limite de 4 GB para executáveis no Windows
- Sem sandbox com GPU ativada, nem no macOS e no Windows
- Recurso silencioso à CPU se um backend de GPU falha
- A reconstrução da 0.10 eliminou alguns recursos da 0.9
Ideal para
Pessoas que precisam compartilhar ou rodar um modelo local sem nenhuma configuração, inclusive offline.
Alternativas ao llamafile
llamafile: perguntas frequentes
- llamafile vale a pena?
- O jeito mais simples de entregar a alguém um modelo local funcionando, mas menos capaz que o llama.cpp que ele envolve. Damos nota 3.9 de 5.
- Quanto custa llamafile?
- Gratuito e de código aberto sob a licença Apache 2.0, com mudanças no llama.cpp sob licença MIT.
- Quais são as desvantagens de llamafile?
- Limite de 4 GB para executáveis no Windows; sem sandbox com GPU ativada, nem no macOS e no Windows; recurso silencioso à CPU se um backend de GPU falha; a reconstrução da 0.10 eliminou alguns recursos da 0.9.
- Para quem llamafile é indicado?
- Pessoas que precisam compartilhar ou rodar um modelo local sem nenhuma configuração, inclusive offline.
- Quanto custa llamafile para uma equipe ou em produção?
- Gratuito, sem edição paga da Mozilla.ai. O hardware é o que rodar o modelo: uma CPU x86-64 com AVX ou ARMv8 com RAM suficiente para os pesos, opcionalmente uma GPU Metal, CUDA, ROCm ou Vulkan.
- llamafile é seguro para dados da empresa?
- Roda localmente; a documentação não menciona telemetria, e uma busca de código no GitHub não encontra código de telemetria. O modo servidor no Linux bloqueia conexões de saída e gravações, mas o modo GPU, o macOS, o Windows e o modo combinado padrão rodam sem sandbox, e um llamafile de fonte não confiável pode remover o sandbox.
- Quais são as melhores alternativas ao llamafile?
- As alternativas mais próximas que analisamos são llama.cpp e Ollama.
Respostas verificadas em 26 de out. de 2026.