Memória unificada
A memória unificada (unified memory) é um design em que a CPU e a GPU compartilham um único conjunto de memória em vez de cada uma ter o seu. Em Macs com Apple Silicon e chips parecidos, ela permite que um modelo de IA local use a maior parte da RAM do sistema como memória de GPU.
Também chamado: Apple Silicon memory, unified memory architecture, UMA
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Em um PC típico, a GPU tem sua própria VRAM, separada da RAM do sistema que a CPU usa. Um modelo precisa caber na VRAM para rodar rápido, e as placas de vídeo de consumo têm muito menos VRAM do que um computador tem de RAM. A memória unificada elimina essa divisão: a CPU, a GPU e os outros processadores do chip leem a mesma memória, sem cópias entre conjuntos.
Por que importa para IA local
A Apple levou a memória unificada ao Mac com o chip M1 em 2020. Um Mac com bastante memória unificada consegue carregar um modelo que de outra forma precisaria de várias GPUs, o que tornou os Macs uma escolha popular para rodar grandes LLMs locais. O framework MLX, da Apple, é escrito para esse design, e llama.cpp, Ollama e LM Studio rodam nele.
Limites
Capacidade não é velocidade. A memória unificada geralmente tem menos largura de banda que a VRAM de uma GPU dedicada de alto nível, e a velocidade de geração de modelos grandes é limitada principalmente pela largura de banda, então os tokens por segundo podem ser menores mesmo quando o modelo cabe. Os núcleos da GPU também são mais lentos que os de uma placa de data center, o que aparece em prompts longos. O sistema operacional reserva parte da memória para si, então nem toda ela fica disponível para o modelo. A memória é definida na compra e não pode ser ampliada.
Versus CPU offloading
O CPU offloading é uma solução paliativa em máquinas com memória dividida: as camadas que não cabem na VRAM ficam na RAM e rodam mais devagar. A memória unificada evita essa divisão por design.
Termos relacionados
- VRAM
- VRAM é a memória de uma placa de vídeo. No trabalho com IA, ela guarda os pesos do modelo, o KV cache e os dados de trabalho, e saber se um modelo cabe na VRAM geralmente decide qual GPU você precisa para rodá-lo.
- LLM local
- Um LLM local é um modelo de linguagem que roda no seu próprio computador, celular ou servidor em vez da API em nuvem de um provedor, então prompts e dados ficam no seu hardware e ele funciona sem conexão com a internet.
- CPU offloading
- CPU offloading (descarregamento para a CPU) roda um modelo que não cabe na memória da GPU mantendo algumas de suas camadas na RAM do sistema, ou em disco, e usando a GPU para o resto. O modelo roda, mas mais devagar.
- GPU
- Uma GPU (graphics processing unit, unidade de processamento gráfico) é um processador com muitos núcleos pequenos, feito para executar muitos cálculos em paralelo. Sua velocidade em operações com matrizes faz dela o hardware padrão para treinar e rodar modelos de IA.
- Tokens por segundo
- Tokens por segundo (tokens per second, tok/s) medem a rapidez com que um modelo de linguagem produz saída. O número é informado por usuário, a velocidade com que uma resposta chega em streaming, ou por sistema, a saída total de todas as requisições simultâneas.