Toda equipe que coloca um LLM em produção esbarra na mesma dúvida: continuar pagando uma API fechada por token, ou alugar uma GPU por hora e rodar o modelo você mesmo? A resposta não é ideológica — é aritmética. Existe um ponto de equilíbrio (o break-even) a partir do qual o self-hosting passa a custar menos que a API. Este guia te dá a fórmula para encontrar esse ponto, um exemplo trabalhado e uma tabela de qual GPU usar para cada tamanho de modelo.

⚡ Resumo

Pagar API por token é imbatível em volume baixo ou imprevisível — zero operação. Mas conforme o volume cresce, o custo por token vira uma conta que só sobe. A partir de certo ponto, alugar uma GPU por hora e servir o modelo com vLLM sai mais barato — e ainda te dá controle total (instância isolada, acesso root, sem passar por API de terceiros), sem rate limits e sem lock-in. No GPUBrasil você aluga GPU NVIDIA por hora em reais via Pix: Econômica a partir de ~R$ 0,95/h, RTX A4000 ~R$ 1,80/h, RTX 4090 ~R$ 3,34/h.

O que é self-hosting de LLM (e por que considerar)

Fazer self-hosting é rodar um modelo open-source — Llama, Qwen, Mistral, DeepSeek, GLM — na sua própria GPU, em vez de chamar a API de um provedor fechado. Um servidor de inferência como o vLLM carrega os pesos e expõe um endpoint compatível com a API da OpenAI: na maioria dos casos você só troca a URL base no código. O modelo, os pesos e a throughput passam a ser seus.

O self-host costuma vencer em cinco cenários: volume alto (o custo por token da API vira sangria), privacidade (instância isolada e acesso root, sem mandar prompts para terceiros), fine-tune próprio, ausência de rate limits e jobs em lote (classificar ou resumir milhões de documentos saturando a GPU). Já a API fechada ganha em volume baixo, imprevisível ou quando você quer zero operação — detalhamos adiante.

A fórmula do break-even: API por token vs GPU por hora

Toda a decisão cabe em duas linhas. De um lado, o que você pagaria à API pelo volume de tokens do mês. Do outro, o que custaria manter uma GPU ligada pelas horas necessárias para processar esse mesmo volume:

# Custo da API fechada (por token)
custo_API = tokens_mês × preço_por_token

# Custo de rodar sua própria GPU (por hora)
custo_GPU = horas_de_GPU_no_mês × preço_por_hora

# Self-host compensa quando:
custo_GPU < custo_API

As duas variáveis a medir são tokens_mês (entrada + saída do seu tráfego real) e horas_de_GPU_no_mês — quantas horas a GPU leva para processar esse volume, o que depende da throughput do modelo naquela placa. O jeito honesto de descobrir é rodar um teste curto com vLLM, medir tokens por segundo e extrapolar. Para aprofundar, veja economia de tokens no self-host.

Exemplo prático: quando o self-host vence

Imagine um pipeline de resumo em lote que processa 300 milhões de tokens por mês. Suponha uma API fechada a R$ 8,00 por 1 milhão de tokens (valor combinado de entrada e saída, só para o exemplo), e uma RTX 4090 alugada a R$ 3,34/h que dá conta desse lote em cerca de 120 horas de GPU no mês:

Cenário: 300 milhões de tokens/mês (resumo em lote)

API fechada:
  preço ≈ R$ 8,00 por 1 milhão de tokens
  custo_API = 300 × R$ 8,00      = R$ 2.400,00/mês

Self-host (RTX 4090 @ R$ 3,34/h):
  lote roda em ≈ 120 h de GPU/mês
  custo_GPU = 120 × R$ 3,34       = R$   400,80/mês

Economia ≈ R$ 2.000/mês  →  self-host vence

Nesse cenário o self-host custa cerca de um sexto da API. O número de horas é uma estimativa que você confirma medindo a throughput real, mas a lógica se mantém: quanto maior e mais constante o volume, mais o custo fixo da GPU por hora se dilui, enquanto o custo por token da API só cresce. Inverta os números — poucos milhões de tokens, uso esporádico — e a conta vira. Veja também quanto custa rodar IA no Brasil em 2026.

Qual GPU para qual tamanho de modelo

Antes de calcular horas, você precisa saber qual placa aguenta o seu modelo. A regra de bolso é pela VRAM: em fp16, reserve cerca de 2 GB de VRAM por bilhão de parâmetros (mais um pouco para o contexto). Com quantização (int8/int4) esse número cai bastante, permitindo modelos maiores na mesma placa. O mapa prático:

Tamanho do modeloExemplosGPU recomendadaPreço de referência
Pequeno (até 8B)Llama 3.1 8B, Qwen 7B, Mistral 7BRTX A4000 / Econômica~R$ 0,95–1,80/h
Médio (13B–34B)Qwen 32B, Yi 34B, Gemma 27BRTX 4090~R$ 3,34/h
Grande (70B)Llama 3.1 70BA100 80GBpreços no console
Muito grande (100B+ / MoE)DeepSeek, GLM, Mixtral grandeH100 / H200preços no console

Para começar barato com modelos pequenos, a Econômica sai a partir de ~R$ 0,95/h e já roda um 7B/8B com folga. Precisou de mais throughput ou de um modelo médio, sobe para a RTX 4090. Para 70B ou MoE grandes, as A100/H100/H200 aparecem com preços no console. Todos os planos incluem acesso root e SSH, e há templates de 1 clique com vLLM para subir o servidor em minutos.

Quando a API ainda é a melhor escolha

Self-host não é bala de prata. A API fechada continua certa quando: o volume é baixo ou irregular (você pagaria GPU parada); você quer zero operação e não tem quem cuide de deploy e monitoramento; está em protótipo e prioriza velocidade sobre custo; ou depende de um modelo de fronteira fechado sem equivalente open-source à altura. Aí pagar por token sai mais barato no total — o gargalo não é o preço unitário, é a ociosidade e o custo de operar.

O ponto-chave: essa é uma decisão de padrão de carga, não de preferência. Meça seu volume, rode a fórmula, e deixe os números escolherem.

💡 Regra prática

Volume alto, constante e previsível, ou jobs em lote → alugue GPU por hora e faça self-host. Volume baixo, esporádico ou imprevisível, e necessidade de zero operação → fique na API por token. Na dúvida, faça um teste curto de throughput na GPU: com o número real de tokens por segundo, a fórmula responde sozinha.

Rode seu próprio LLM por hora

Crie sua conta e comece a rodar por hora, em reais — sem capex, sem câmbio. Templates 1-clique com vLLM colocam seu modelo no ar em minutos, com acesso root e SSH. Veja os preços no console.

Crie sua conta →

Perguntas frequentes

Como calcular se compensa self-host de LLM?

Compare dois números. O custo da API é tokens_mês × preço_por_token. O custo de rodar a GPU é horas_de_GPU_no_mês × preço_por_hora. Se o custo da GPU for menor que o da API, o self-host compensa. Na prática, você mede quantas horas seu volume leva na GPU escolhida (rodando vLLM) e multiplica pela tarifa em reais. No GPUBrasil a RTX A4000 sai a partir de R$ 1,80/h e a RTX 4090 a partir de R$ 3,34/h.

A partir de quantos tokens/mês vale a pena rodar GPU própria?

Não existe um número universal: depende do preço da API que você usa, do tamanho do modelo e da velocidade da GPU. A regra é volume. Cargas altas e constantes (da ordem de dezenas a centenas de milhões de tokens por mês, ou lotes pesados) costumam favorecer o self-host; volumes baixos, esporádicos ou muito variáveis favorecem a API por token. Rode a fórmula com os seus próprios números antes de decidir.

Qual GPU para qual tamanho de modelo?

Regra de bolso pela VRAM: um modelo em fp16 precisa de cerca de 2 GB de VRAM por bilhão de parâmetros (menos com quantização). Modelos até 8B (Llama 3.1 8B, Qwen 7B, Mistral 7B) rodam em RTX A4000 ou RTX 4090; 13B a 34B pedem uma RTX 4090; 70B pedem uma A100 80GB; e modelos de 100B+ ou MoE grandes pedem H100 ou H200. No GPUBrasil, A100/H100/H200 têm preços no console.

Conclusão

O self-hosting de LLM deixou de ser coisa só de quem tem cluster próprio: com GPU por hora em reais, qualquer equipe pode rodar a fórmula e descobrir se está pagando API demais. A decisão é aritmética — custo_GPU contra custo_API — e depende do seu padrão de carga. Volume alto e constante puxa para o self-host, com o bônus de controle total e sem lock-in; volume baixo e imprevisível mantém a API como a escolha mais econômica. Meça, calcule e comece testando por hora, sem imobilizar capital.

Leia também: Quanto custa rodar IA no Brasil em 2026 · Economia de tokens com self-host · vLLM self-hosted em 1 clique