Por anos, fazer self-host de LLM significava abrir mão de qualidade: os modelos abertos ficavam um degrau atrás dos fechados. Em 2026 isso mudou. Kimi K2, DeepSeek V3 e R1, Qwen 3, Llama 4 e GLM entregam qualidade de fronteira — e você pode rodá-los na sua própria GPU. A pergunta deixou de ser "dá para usar open-source?" e virou "quando sai mais barato rodar o meu do que pagar a API por token?". Vamos fazer as contas.
A API fechada cobra por token: a conta cresce sem teto com o uso. O self-host cobra por hora de GPU: um custo praticamente fixo. Existe um volume de virada — no exemplo abaixo, cerca de 110 milhões de tokens/mês — acima do qual rodar o seu modelo aberto em GPU alugada por hora fica mais barato que a API. Além do preço, self-host dá privacidade, fine-tuning e zero rate limit. No GPUBrasil você aluga GPU NVIDIA por hora, em reais via Pix, a partir de ~R$ 0,95/h na aba Econômica.
A virada de 2026: os modelos abertos alcançaram os fechados
O que destravou tudo foi a qualidade. A safra open-source de 2026 não é mais "quase tão boa": em muitos benchmarks de raciocínio, código e uso de ferramentas, modelos como DeepSeek R1, Qwen 3 e Kimi K2 ficam lado a lado com os melhores modelos fechados. E, ao contrário deles, você tem o peso na mão — pode baixar, quantizar, servir e versionar como quiser.
Isso muda a equação econômica. Enquanto o open-source era inferior, pagar a API fechada por token se justificava pela qualidade. Agora que a qualidade empatou, sobra a conta: você está pagando por token um modelo que poderia rodar por conta própria. Se quiser um panorama do que cada modelo entrega, veja o comparativo de LLMs open-source 2026 e o mergulho em DeepSeek e Qwen 3 self-hosted.
Duas formas de pagar pela inteligência: por token e por hora
Existem dois modelos de cobrança, e eles se comportam de formas opostas conforme o uso cresce:
- API fechada — por token: você paga por cada milhão de tokens processados (entrada + saída), quase sempre em dólar. Simples de começar, mas o custo é linear: dobrou o uso, dobrou a conta. Somam-se rate limits e o risco cambial.
- Self-host — por hora de GPU: você aluga uma GPU e paga pelas horas ligadas. O custo marginal por token, depois que a máquina está de pé, é praticamente zero. Sua conta tem um teto: horas × R$/h, não importa quantos tokens você gere dentro daquele tempo.
É essa diferença — linha inclinada (API) contra linha quase plana (self-host) — que cria um ponto de cruzamento. Abaixo dele a API é mais barata; acima, o self-host. A análise completa dessa lógica está em a economia dos tokens.
Comparativo: custo por milhão de tokens x custo por hora de GPU
Para enxergar o cruzamento, coloque os dois lado a lado em diferentes volumes mensais. Números ilustrativos: API fechada premium a um preço combinado de US$ 4 por milhão de tokens (câmbio ~R$ 5,50, ou seja, ~R$ 22/milhão) contra uma RTX 4090 a R$ 3,34/h ligada 24/7 (~730 h/mês ≈ R$ 2.438).
| Volume/mês | API fechada (por token) | Self-host 4090 (por hora) | Vencedor |
|---|---|---|---|
| 10 milhões de tokens | ~R$ 220 | ~R$ 2.438 | API |
| 50 milhões de tokens | ~R$ 1.100 | ~R$ 2.438 | API |
| 110 milhões de tokens | ~R$ 2.420 | ~R$ 2.438 | Empate (virada) |
| 500 milhões de tokens | ~R$ 11.000 | ~R$ 2.438 | Self-host |
| 1 bilhão de tokens | ~R$ 22.000 | ~R$ 2.438 | Self-host |
Repare no padrão: a coluna da API cresce sem parar, enquanto a do self-host é fixa. Depois de ~110 milhões de tokens/mês, o custo por hora de GPU já ganha — e a distância só aumenta. Um app de RAG ou um agente movimentado cruza esse volume rápido.
Fazendo as contas: um exemplo real
Suponha uma aplicação que processa 500 milhões de tokens/mês — um chatbot de suporte ou um pipeline de agentes em produção:
API fechada (exemplo ilustrativo)
Volume ............. 500 milhões de tokens/mês
Preço combinado .... US$ 4 / milhão (entrada + saída)
Custo mensal ....... 500 × US$ 4 = US$ 2.000
Em reais (~R$ 5,50) ............. ~R$ 11.000/mês
+ sobe junto com o dólar
Self-host (GPU por hora, GPUBrasil)
GPU ................ RTX 4090 a R$ 3,34/h
Uso ................ 24/7 = ~730 h/mês
Custo mensal ....... 730 × R$ 3,34 = ~R$ 2.438/mês
Em reais, fixo, sem câmbio
Economia ............ ~R$ 8.500/mês (~77%)Duas ressalvas honestas. Primeira: o número do self-host pressupõe que o modelo caiba na 4090 (um aberto médio quantizado, servido com vLLM e batching, sustenta o throughput necessário). Modelos gigantes/MoE como DeepSeek V3 ou Kimi K2 pedem A100/H100/H200, o que sobe o R$/h e move a virada para volumes maiores. Segunda: se você não precisa de 24/7, ligar a GPU só nas horas de operação derruba ainda mais o custo — e a aba Econômica, a partir de ~R$ 0,95/h, reduz o piso para experimentos.
Quando o self-host vence (e como o GPUBrasil o torna barato)
Preço não é o único motivo. O self-host de um modelo aberto ganha claramente quando você tem:
- Alto volume — acima do ponto de virada, cada token extra sai de graça no seu modelo;
- Dados sensíveis — sua instância é isolada e dedicada com acesso root; seus dados não passam por API de terceiros;
- Fine-tuning e controle — o peso é seu: você treina, quantiza e congela a versão que quiser, sem depender do roadmap de um provedor;
- Sem rate limit — nada de cotas ou filas do fornecedor; a GPU é sua durante as horas contratadas.
É aí que o GPUBrasil deixa a conta em pé: você aluga GPUs NVIDIA por hora, em reais via Pix, sem capex e sem câmbio. Um template de 1 clique (vLLM) sobe um modelo aberto em minutos, com acesso root e SSH para configurar como quiser. Começa na aba Econômica a partir de ~R$ 0,95/h; RTX A4000 ~R$ 1,80/h; RTX 4090 ~R$ 3,34/h; e A100, H100 e H200 para os modelos maiores — para os valores do momento, veja os preços atuais no console.
Estime seus tokens/mês. Abaixo de ~100 milhões e uso esporádico → fique na API fechada, é mais simples e barato. Acima disso, com uso constante, dados sensíveis ou necessidade de fine-tuning → o self-host em GPU por hora paga a conta. Na dúvida, meça: suba um modelo por algumas horas e compare com a sua fatura de API real.
Faça as contas rodando de verdade
Crie sua conta e comece a rodar por hora, em reais — sem capex, sem câmbio.
Criar conta →Perguntas frequentes
É mais barato rodar DeepSeek/Llama próprio ou usar API?
Depende do volume. A API fechada cobra por token, então a conta cresce sem teto conforme o uso aumenta. O self-host cobra por hora de GPU — um custo praticamente fixo — então acima de um certo volume mensal de tokens ele fica mais barato. No nosso exemplo ilustrativo, o ponto de virada fica em torno de 100 a 150 milhões de tokens por mês: abaixo disso a API tende a compensar; acima, rodar o seu modelo aberto em GPU por hora vence com folga. Veja os preços atuais no console.
Quando o self-host de LLM compensa?
O self-host compensa em quatro situações: (1) alto volume de tokens, quando o custo por hora de GPU fica menor que a soma dos tokens na API; (2) dados sensíveis, porque a instância é isolada e dedicada com acesso root e seus dados não passam por API de terceiros; (3) fine-tuning e controle total do modelo e da versão; e (4) quando você não quer rate limit nem cotas do provedor. Para volume baixo e esporádico, a API fechada costuma sair mais barata.
Qual GPU para rodar um modelo open-source grande?
Modelos médios quantizados (7B a 34B) rodam bem numa RTX 4090 (~R$ 3,34/h) com vLLM. Modelos maiores e MoE como DeepSeek V3, Kimi K2 ou Llama 4 exigem GPUs de data center — A100, H100 ou H200, às vezes em múltiplas placas. No GPUBrasil você aluga qualquer uma por hora, em reais via Pix, sem capex; para preços exatos, veja os preços atuais no console.
Conclusão
Em 2026, a qualidade dos modelos abertos empatou com a dos fechados, e isso empurra a decisão para o terreno da matemática. A API por token é imbatível para começar e para volume baixo. Mas quando o uso cresce, os dados são sensíveis ou você quer fine-tuning sem rate limit, rodar o seu modelo aberto em GPU por hora, em reais, vira o caminho mais barato e mais livre. Descubra seu volume, ache seu ponto de virada — e rode do lado certo dele.
Leia também: Comparativo de LLMs open-source 2026 · DeepSeek e Qwen 3 self-hosted · A economia dos tokens