Como eu testo modelos de IA 3D locais sem uma GPU potente (fluxo de trabalho com GPU na nuvem)

Ferramentas usadas neste artigo

A cada poucas semanas sai um novo modelo de IA 3D de código aberto, e metade deles vem com a mesma pegadinha — eles pedem 24 GB de VRAM ou mais. Minha placa tem 14 GB. Mas eu ainda quero testar esses modelos direito antes de escrever sobre eles ou adicioná-los à Arena. Então não fico esperando uma build quantizada ou uma demo hospedada — alugo uma GPU na nuvem por uma hora, deixo um agente de programação com IA instalar tudo do zero e rodo o modelo.

Abaixo está o processo exato que usei para colocar o CubePart da Roblox para rodar — cada comando, em ordem. O modelo é apenas um exemplo; esse mesmo fluxo funciona para qualquer repositório pesado de IA 3D local. O próprio CubePart já está disponível no top3d.ai se você só quiser ver o resultado dele — este guia é sobre como colocá-lo para rodar.

O que você vai tirar disso

Uma receita reproduzível: alugue uma GPU, conecte-se via SSH pelo seu editor, crie um usuário seguro, instale um agente de programação com IA e deixe-o clonar + instalar + iniciar o modelo — com a interface redirecionada para o seu próprio navegador. Desligue a GPU e você para de pagar.

O caso real que motivou isso: testar o CubePart da Roblox, agora disponível no top3d.ai.

O problema: ele pede 24 GB+ de VRAM

O exemplo usado aqui é o Roblox CubePart, um novo modelo local de código aberto — mas o modelo quase não importa neste caso. O que importa é o requisito dele: a Roblox recomenda 24 GB de VRAM para uma execução normal, e a minha placa tem 14 GB. Essa é a barreira, e é a mesma barreira que a maioria dos modelos pesados de IA 3D locais coloca na sua frente. Aumente a qualidade e até 48 GB se esgotam.

O CubePart pede ~24 GB para uma execução normal. Minha placa tem 14 GB — essa é a barreira.

Licença: apenas para pesquisa, verifique antes do uso comercial

A Roblox chama o Cube/CubePart de código aberto e o código e os pesos são públicos, mas a licença é a Research-Only RAIL-MS — apenas para uso acadêmico e de pesquisa. Serve para testes, demonstrações e aprendizado; não está liberado para produtos comerciais ou SaaS sem permissão adicional da Roblox.

A solução: alugue uma GPU na nuvem por uma hora

Em vez de comprar hardware, eu alugo uma GPU com acesso SSH, instalo tudo do zero, rodo meus testes e a desligo. Para isso usei a RunPod com uma A40 (48 GB) — exagero, mas eu queria margem de sobra. Custou cerca de $0.50 por hora.

A RunPod é só o meu exemplo — não é patrocinadora

Eu não sou patrocinado pela RunPod e isso não é um anúncio. É simplesmente o que eu uso. Qualquer GPU na nuvem com SSH funciona da mesma forma — as etapas abaixo independem de provedor. Algumas alternativas:

Vast.ai — os menores preços entre os marketplaces
Lambda Cloud — instâncias limpas com foco em ML
Paperspace (DigitalOcean) — GPUs simples cobradas por hora
Modal / Replicate — GPU serverless voltada para código

Uma vantagem subestimada das GPUs na nuvem

Você instala tudo do zero em uma máquina limpa — os wheels corretos do CUDA, todas as dependências, sem conflitos restantes da sua configuração local. Repositórios pesados de IA 3D são famosos pelas dificuldades com o ambiente; uma instância nova evita a maior parte delas.

O fluxo de trabalho completo, comando por comando

Crie o pod com espaço suficiente

Na RunPod escolhi uma A40 (48 GB) — 24 GB são suficientes para execuções padrão do CubePart. A parte que as pessoas esquecem é o armazenamento: esses projetos baixam muitos pesos, então configure um contêiner de ~50 GB e até 100 GB de armazenamento persistente.

A40 (48 GB) para ter margem de sobra — 24 GB funcionam, e você pode gastar menos. ~$0.50/h.

Adicione uma chave SSH e teste a conexão

Uma chave SSH é apenas um par de arquivos — um privado que fica na sua máquina e um público que você fornece ao provedor — para que ele possa liberar seu acesso sem senha. Gere-a uma vez com ssh-keygen -t ed25519, cole o conteúdo de id_ed25519.pub na RunPod em Settings → SSH Public Keys e depois teste a conexão pelo Windows PowerShell (use o host/porta que o seu pod mostra):

ssh root@<POD-IP> -p <PORT> -i ~/.ssh/id_ed25519

Se você conseguir acessar o shell do pod, a conexão está funcionando.

Passo a passo oficial da RunPod (recomendado)

A RunPod tem um guia claro, com capturas de tela passo a passo, que aborda a chave SSH, como adicioná-la à sua conta e como conectar a sua IDE — siga-o diretamente: docs.runpod.io — Connect to your Pod from an IDE.

Testando primeiro o comando SSH do pod no PowerShell — a conexão funciona.

Conecte o Cursor / VS Code via Remote-SSH

No Cursor (ou VS Code), pressione Ctrl+Shift+P → Remote-SSH: Open SSH Configuration File e adicione um bloco de host (preencha os campos HostName e Port do seu pod):

Host runpod-cubepart
    HostName <POD-IP>
    User root
    Port <PORT>
    IdentityFile ~/.ssh/id_ed25519

Depois pressione Ctrl+Shift+P → Remote-SSH: Connect to Host → runpod-cubepart → escolha Linux e abra a pasta /workspace. Tudo o que você quiser manter precisa ficar aqui — apenas o armazenamento persistente sobrevive ao desligamento.

Crie um usuário sem privilégios de root para maior segurança

Você se conecta como root. Antes de deixar um agente de IA rodar livremente, eu crio um usuário comum para que ele não opere como root. No terminal do Cursor, ainda como root:

apt update && apt install -y curl git sudo

useradd -m -s /bin/bash stefan
mkdir -p /workspace/stefan
chmod -R a+rwX /workspace/stefan
ls -ld /workspace/stefan

Alterne para esse usuário e instale o Claude Code

Mude para o novo usuário (sem precisar reconectar) e instale o agente. A partir daqui, o agente roda como stefan, e não como root:

su - stefan
cd /workspace/stefan

curl -fsSL https://claude.ai/install.sh | bash
source ~/.bashrc
claude --version

Na primeira inicialização, o claude pede para você fazer login — abra o link no navegador e cole o código onde for solicitado.

Conexão via Remote-SSH estabelecida, usuário sem privilégios de root em uso, agente instalado e conectado à conta.

Execute o agente em modo bypass e passe o trabalho para ele

Inicie o agente pulando as confirmações de permissão — o que é seguro aqui porque se trata de uma máquina descartável e isolada na nuvem (a Anthropic só recomenda esse modo dentro de contêineres/VMs, que é exatamente o caso):

claude --dangerously-skip-permissions

A partir daqui, eu não digito comandos de instalação. Só digo ao Claude, em inglês simples, o que quero: clonar o repositório do CubePart, instalá-lo com todas as dependências, baixar os pesos do modelo e rodar um teste rápido. Ele descobre os wheels certos do CUDA e os comandos para essa GPU específica e faz tudo. A única instrução que sempre deixo explícita: instalar em /workspace, já que qualquer coisa fora do armazenamento persistente é apagada quando o pod é desligado.

Tenha paciência na etapa do PyTorch + CUDA

A instalação das dependências pode levar de 10 a 15 minutos. O agente pode parecer inativo — mas não está. Ele vai avisar você quando tudo estiver pronto.

Dependências instaladas, pesos baixados, primeiro teste aprovado — tudo gerenciado pelo agente na GPU alugada.

Peça a demo do Gradio e abra no seu navegador

O CubePart vem com um app Gradio (sem build para ComfyUI). Eu simplesmente peço ao Claude para iniciar a demo do Gradio e expô-la com um link público de compartilhamento. Ele inicia o app e entrega uma URL https://….gradio.live — eu abro esse link no meu próprio laptop e tenho a interface completa, enquanto o modelo continua rodando na GPU em nuvem. A partir daí, é o fluxo comum do Gradio: soltar um GLB, digitar os nomes das partes, rodar.

O link gradio.live rodando no meu navegador local — o modelo é executado na GPU em nuvem.

É isso — veja onde encontrar o resultado

Esse é o método completo: um modelo que não consigo rodar localmente foi de um link do GitHub para uma interface funcional no meu próprio navegador, por cerca de um dólar. O mesmo fluxo funciona para o próximo modelo pesado e para o seguinte.

Quer ver o que o CubePart realmente produz?

Não vou repetir os resultados aqui — o CubePart já está no ar no site, então você pode conferir diretamente em vez de apenas acreditar na minha palavra. Abra na Arena de Segmentação no top3d.ai.

Custo, limpeza e quando isso vale a pena

~$0.50 / hr

A40 48 GB. Uma sessão inteira de testes custa um ou dois dólares.

Use /workspace

O armazenamento persistente sobrevive ao desligamento; todo o resto não.

Meta de 24 GB

Suficiente para o CubePart padrão; use mais apenas para aumentar a resolução.

Desligue o pod assim que terminar. A cobrança é por hora e continua até você desligá-lo. Se você só precisa de um modelo de vez em quando, isso supera de longe comprar uma GPU de $2,000+ — você paga pelos minutos exatos que usar. Se você testa modelos todos os dias, essa conta se inverte e o hardware local começa a fazer sentido.

O padrão, em uma linha

Alugue uma máquina limpa com GPU → conecte-se via SSH pelo seu editor → crie um usuário seguro → instale um agente de IA → deixe-o clonar + instalar no armazenamento persistente → exponha a interface com um link de compartilhamento → teste → desligue. Funciona para o CubePart e para basicamente qualquer modelo local pesado de IA 3D.

É assim que eu testo os modelos pesados sem ter o hardware necessário. Novos modelos chegam constantemente — e sempre que um aparece, vai direto para a Arena para você poder comparar sem instalar absolutamente nada.