Porque é que duas placas fazem sentido: como o modelo se divide entre elas

O modelo é uma pilha de camadas — e as camadas podem repartir-se

Um modelo de linguagem é construído com dezenas de camadas empilhadas umas sobre as outras. Os dados entram na primeira, o resultado passa à segunda, e assim até ao fim. A nossa configuração corta esta pilha ao meio: as primeiras camadas ficam na primeira placa, as restantes na segunda.

O que atravessa a fronteira? Um vetor de números — o estado depois da última camada da primeira placa. São uns quilobytes, transferidos uma vez por passagem. É exatamente por isso que este modo de divisão funciona numa motherboard vulgar, sem pontes especiais entre as placas.

O preço é um só, e há que dizê-lo com clareza: as placas trabalham à vez, não em simultâneo. Enquanto a primeira calcula, a segunda espera. Ao gerar texto, duas placas não dão portanto o dobro da velocidade — dão o dobro da capacidade. Como as duas placas são idênticas, não há um elo mais lento a estragar o conjunto.

Ao carregar um documento longo, a situação é melhor: aí há tanto trabalho que as duas placas repartem de facto os cálculos. Daí o resultado de 7000 tokens por segundo na leitura contra 200 tokens por segundo na escrita — são dois modos de trabalho distintos da mesma máquina.

Modos de divisão que rejeitámos

Antes de fixarmos a divisão por camadas, verificámos as alternativas. Ambas caíram por razões concretas e verificáveis.

A divisão por linhas de matriz já não existe na biblioteca que usamos. A opção ainda figura na ajuda do programa, mas foi removida do suporte às placas NVIDIA — a tentativa de a usar termina em erro antes de alguma coisa chegar à memória da placa. Nenhum parâmetro inverte isso.

A divisão tensorial (cada placa calcula em simultâneo um pedaço da mesma camada) dá, em teoria, verdadeiro paralelismo. Na prática, esbarra em duas coisas. Primeiro, o buffer de trabalho é alocado em tamanho completo em cada placa — ou seja, em dobro — e não cabe nem com um contexto modesto. Segundo, uma alocação falhada não recua suavemente para um modo mais simples: mata o processo.

Mesmo que funcionasse, esta máquina seria para ela o pior terreno possível: a divisão tensorial exige sincronização das placas depois de cada camada, e entre as nossas placas não há ponte rápida — a comunicação segue pelo barramento normal da motherboard. A divisão por camadas transfere um vetor por passagem, e é por isso que ganha.

Uma camada para cá ou para lá — e temos mais contexto

A divisão não tem de ser exatamente ao meio. As camadas têm pesos diferentes, e a uma das placas colam-se elementos adicionais (por exemplo, o módulo responsável por entender imagem). O resultado é que, depois de carregado o modelo, uma placa fica cheia até à borda e a outra ainda tem folga.

Deslocar uma camada da placa mais apertada para a mais folgada transfere cerca de 266 MB de reserva. No modelo com suporte de imagem, esse único movimento comprou-nos 24 576 tokens de contexto — mais ou menos o equivalente a algumas dezenas de páginas de texto a mais numa conversa, de graça.

Convém conhecer a limitação: a granularidade é grossa. Deslocam-se camadas inteiras, não frações, e nos modelos com poucas camadas pesadas uma camada pesa demasiado para a manobra compensar. Normalmente existe um único valor sensato, e os vizinhos são piores do que a divisão a meio.

Um segundo modelo que sopra ao primeiro

Um truque à parte, sem relação com a divisão entre placas, mas responsável por boa parte da velocidade: a especulação. Ao lado do modelo grande trabalha um minúsculo — o modelo auxiliar — que adivinha os próximos tokens. Em vez de os gerar um a um, o modelo grande verifica a proposta inteira num só movimento — e verificar é muito mais barato do que gerar.

Na nossa máquina, esta técnica funciona em todos os modelos que a suportam e acelera a escrita entre 1,3 e 2,4 vezes. A regra é o contrário do intuitivo: quanto mais lento o modelo de base, mais compensa adivinhar, porque o custo de uma sugestão é quase constante e o passo poupado é cada vez mais caro.

Com duas placas junta-se uma condição que não se vê de fora: o modelo pequeno tem de morar na mesma placa que as camadas finais do grande. Colocado ao desleixo, espalha-se pelas placas e, em vez de ajudar, custa. Medimos a diferença: 27 contra 119 tokens por segundo no mesmo modelo. Toda a diferença está num único parâmetro que diz onde deve morar o modelo auxiliar.

Quanto custa isto hoje

Preços de retalho europeus, agosto de 2026:

Variante	Memória	Preço
RTX 5090 — uma placa	32 GB	4400–4650 € (5100–5350 $)
RTX 5070 Ti — duas placas	16 GB + 16 GB	2100 € (2400 $)

O par de placas custa 47% do preço do topo de gama com capacidade de memória idêntica. A isto junta-se um requisito fácil de esquecer: a motherboard precisa de duas ranhuras com uma repartição sensata das linhas, e a caixa, de espaço para duas placas e circulação de ar entre elas.

Estes números devem ser tratados como uma fotografia do momento, porque o mercado segue numa só direção. A NVIDIA subiu os preços em 2026 já duas vezes — 10–15% em janeiro em toda a linha RTX 50 e, em maio, apenas na RTX 5090 — e está anunciada uma terceira correção na ordem dos 20–30%. A causa não é a procura de placas, mas a memória: a Samsung subiu os preços da DRAM cerca de 20% num trimestre, e a escassez de memória prevê-se pelo menos até 2028. O retalho já o sente — a RTX 5090 chegava, em julho de 2026, a cerca de 4329 $ (mercado norte-americano), e as versões não referenciais ultrapassavam os 5000.

Para quem compra, daqui resulta uma coisa: uma subida percentual atinge com mais força a variante mais cara. Trinta por cento são cerca de 630 € (720 $) no par de placas e perto de 1390 € (1600 $) no topo de gama. A diferença de preço entre os dois caminhos não diminui — cresce.

O que daqui resulta na hora de comprar

Duas placas de gama média dão a capacidade do topo de gama por menos de metade do preço, mas não a sua largura de banda. Se o que conta é o recorde de tokens por segundo com um único modelo grande — ganha uma única placa potente. Se o que conta é que modelo e que comprimento de contexto cabem sequer na máquina — duas placas fazem exatamente o mesmo trabalho, mais barato.

A condição é uma: as placas devem ser idênticas. Na divisão por camadas as placas trabalham à vez, pelo que a mais fraca do par ditaria o ritmo do conjunto.

---

Todos os números de desempenho vêm de medições da nossa máquina de testes: 2 × RTX 5070 Ti 16 GB, divisão por camadas, um modelo de cada vez. Preços de hardware: retalho europeu, agosto de 2026 — confirme os valores atuais antes de comprar.

Fontes sobre as subidas de preços: ThinkComputers — RTX 50 prices could jump another 30% · TechSpot — GPU pricing, mid-2026