Como rodar o DeepSeek no seu próprio servidor: memória, configurações e privacidade total

Serviços públicos de LLM são práticos, mas têm uma falha estrutural: você não sabe o que acontece com os seus dados. O DeepSeek pode rodar no seu próprio servidor na nuvem. Assim, as conversas ficam só com você, bloqueio regional deixa de existir e a previsibilidade de custos vira regra.

Por que migrar para um servidor próprio O problema das APIs públicas não se resume a dinheiro.

Mesmo nos planos pagos, você na prática envia suas consultas para a infraestrutura de terceiros, sem garantia de confidencialidade. Alibaba, OpenAI e outros fornecedores têm políticas próprias de uso de dados, e você não controla o que acontece com eles no servidor. Algumas empresas preveem explicitamente nos termos de uso o direito de usar as conversas para treinar seus modelos, a menos que essa opção seja desativada.

Some a isso a censura rígida em alguns modelos, que deixam de responder a pedidos perfeitamente legítimos sem dar explicação, e os bloqueios repentinos por geolocalização. Resultado: qualquer processo de negócio que dependa de uma API pública fica vulnerável a decisões externas do provedor. O self-hosting resolve todos esses problemas: Privacidade: as consultas não saem da sua infraestrutura Sem censura: o modelo funciona sem restrições externas de conteúdo Sem bloqueios regionais: o serviço fica acessível de qualquer país Custos previsíveis: você paga só pela instância na nuvem, sem surpresas nas tarifas * Controle total: treinamento adicional, fine-tuning e integração aos seus próprios produtos ## Requisitos de memória e hardware O parâmetro decisivo na hora de escolher a configuração é a quantidade de memória de vídeo, que depende do tamanho do modelo e do nível de quantização.

O DeepSeek-R1 na versão 7B em formato Q4 exige cerca de 6-8 GB de VRAM, algo que até uma GPU de entrada na nuvem dá conta. A versão 14B ocupa 10-12 GB, e a 32B, cerca de 20 GB. Já o DeepSeek-V3 completo, com 685 bilhões de parâmetros, exige várias centenas de gigabytes mesmo com quantização de 8 bits, o que já é território de clusters de GPU.

Para a maioria dos cenários de trabalho, as versões 7B ou 14B são as ideais, com um equilíbrio razoável entre qualidade das respostas e custo de infraestrutura. Rodar em CPU é possível, mas bem mais lento: o mínimo recomendado é 32 GB de RAM e um SSD NVMe rápido. A quantização Q4 reduz a exigência de memória pela metade, aproximadamente, em comparação com FP16, com perda mínima de qualidade.

Como rodar e configurar O caminho mais simples é o **Ollama**.

Ele é instalado com um único comando no Linux, macOS ou Windows, e o modelo é baixado com `ollama pull deepseek-r1:7b`. O serviço sobe automaticamente uma API REST na porta 11434 com interface compatível com a da OpenAI. Open WebUI, Cursor, n8n e a maioria dos clientes populares se conectam a ela sem nenhuma configuração extra.

Para produção com carga alta, o vLLM é a melhor escolha: ele suporta batching, requisições paralelas e várias GPUs ao mesmo tempo. O llama.cpp oferece flexibilidade máxima: roda em qualquer plataforma, suporta todos os formatos de quantização GGUF e consome o mínimo de recursos.

As duas opções oferecem API compatível com a da OpenAI. Alguns parâmetros são críticos desde a primeira execução: `context_length`: ajuste conforme suas tarefas; o valor padrão costuma ser pequeno para diálogos longos `num_threads`: no modo CPU, use o número de núcleos físicos, não lógicos `gpu_layers`: quantidade de camadas do modelo carregadas na GPU; o valor ideal é definido por experimentação `temperature` e `top_p`: afetam o determinismo das respostas, o que é importante em produção > «A principal vantagem de um LLM self-hosted é a previsibilidade. Nada de surpresas com corte de acesso, mudança repentina de política ou censura na próxima atualização».

O que isso significa Rodar LLMs por conta própria deixou de ser coisa de entusiasta.

Hoje, colocar o DeepSeek em um servidor na nuvem é tarefa de algumas horas, mesmo sem grande experiência em DevOps. Para empresas que lidam com dados confidenciais, isso já deixou de ser uma alternativa às APIs públicas e virou uma necessidade prática.