Modelo de pesos abertos

Open-weight Model

Modelo de distribuição

Básico

Categoria: LLMs, tokens e adaptaçãoSubcategoria: Distribuição e escolha

O que significa

É um modelo cujos parâmetros são publicados e podem ser baixados, executados e ajustados na infraestrutura de quem quiser usá-lo, sob uma licença específica. Contrasta com o modelo proprietário, que só pode ser acessado pela API do fornecedor. “Pesos abertos” não é o mesmo que “código aberto” completo. Em geral, os dados de treinamento e o processo não são divulgados, e a licença pode ter restrições, como limites de uso comercial. Por isso, é importante ler a licença de cada modelo. Modelos como Llama, Mistral, Gemma e Qwen são exemplos dessa categoria.

Como usar na prática de produto

Em Produto, a escolha entre pesos abertos e modelo proprietário é uma escolha entre controle e conveniência. Pesos abertos oferecem soberania sobre os dados (nada sai da empresa), custo previsível em escala e independência de fornecedor, mas exigem time e infraestrutura para operar. Modelos proprietários oferecem a melhor qualidade do momento sem operar nada, com custo variável e dependência do fornecedor. Muitos produtos usam os dois: um modelo aberto rodando internamente para dados sensíveis e um proprietário via API para tarefas que exigem o máximo de qualidade. Uma camada de gateway permite alternar entre eles.

Quando usar este termo ou outro

Use modelo de pesos abertos quando dados sensíveis não podem sair da empresa, o volume justifica infraestrutura própria ou é preciso fine-tuning profundo. Use modelo proprietário quando velocidade de entrega e qualidade de ponta importam mais do que controle. Use uma combinação dos dois, via gateway, quando diferentes partes do produto têm necessidades diferentes. Uma forma simples de diferenciar: pesos abertos dão controle e exigem operação; proprietário dá conveniência e cria dependência.

Exemplos de aplicação

Dados sensíveis: processar documentos com informações pessoais em modelo aberto dentro da rede da empresa.
Marketing: usar modelo proprietário via API para redação criativa de alta qualidade.
Escala: migrar uma tarefa de alto volume para modelo aberto em infraestrutura própria.
Fine-tuning: adaptar um modelo aberto profundamente para um domínio específico.
Independência: reduzir o risco de mudanças de preço ou de política de um único fornecedor.

Origem do termo

Llama (Meta, 2023) popularizou LLMs com pesos publicados; a distinção entre 'pesos abertos' e 'código aberto' pleno (dados e treino) veio em seguida.

Fonte técnica

Meta, Llama license documentation; Open Source Initiative, The Open Source AI Definition (2024)